universidad autÓnoma de nuevo leÓn facultad de …eprints.uanl.mx/16547/1/1080291938.pdf ·...
TRANSCRIPT
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE SALUD PÚBLICA Y NUTRICIÓN
T E S I S
POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES POSTMENOPÁUSICAS
POR
L. N. ISRAEL GUERRERO CONTRERAS
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE MAESTRÍA EN CIENCIAS EN NUTRICIÓN
NOVIEMBRE, 2018
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE SALUD PÚBLICA Y NUTRICIÓN
SUBDIRECCIÓN DE INVESTIGACIÓN, INNOVACIÓN Y POSGRADO
TESIS
POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES POSTMENOPÁUSICAS
POR
L. N. ISRAEL GUERRERO CONTRERAS
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE MAESTRÍA EN CIENCIAS EN NUTRICIÓN
DIRECTOR DE TESIS DR. ZACARÍAS JIMÉNEZ SALAS
CO-DIRECTOR DR. RAFAEL VELÁZQUEZ CRUZ
MONTERREY, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2018
6
El trabajo realizado en esta tesis contó parcialmente con financiamiento
del Consejo Nacional de Ciencia y Tecnología: INFR-2016-01-270405,
INMEGEN proyecto 266-17/2016/I y con el numero de beca 610443 del
estudiante 783187.
7
AGRADECIMIENTOS
Ha sido un largo camino hasta aquí, pero al final del camino quedan pocas
personas. Martha y Oscar, les agradezco por darme la vida y apoyarme hasta el
final.
Ileana, Alejandro y Daniel, mis hermanos y cómplices jamás se rindan, la
vida no es fácil, los días difíciles nos llevan al mañana.
Se han derramado lágrimas a lo largo de este camino, Sandybel, quiero
agradecerte por acompañarme, siempre tendrás un lugar en mi corazón, espero
un día puedas ver a través de mis ojos, gracias por sacar lo mejor de mí, gracias
por existir y brindarme tu amor señora.
Aquel que abogo por mí, Dr. Eduardo gracias por ser uno de mis padres
académicos, siempre tendré buenos recuerdos de usted, gracias por su
hospitalidad y acogerme como un hijo.
Siempre seremos los tres mosqueteros, Sandra y Jacob, ustedes han
estado conmigo hasta el final, gracias por apoyarme en las buenas y en las
malas, me llevo bonitos recuerdos de ustedes, espero verlos pronto, gracias por
su amistad y compañerismo
Para Gerardo, gracias por encaminarme a buenos pasos, sé que en todo
momento te preocupas por quienes aprecias y agradezco eso, gracias por las
lecciones de vida.
Mi tutor y guía, Dr. Zacarías, sé que no he sido el mejor hijo académico,
que lo hice batallar mucho, quiero expresarle mi agradecimiento por su apoyo e
infinita sabiduría, a pesar de las adversidades siempre me ayudó, por favor no
deje morir el laboratorio en el que crecí, es mi hogar y lo valoro mucho.
8
Mi madre académica, Dra. Alhelí, sé que he sido su primer tesista e hijo
académico, el más rebelde de todos, pero le agradezco su tiempo que fue muy
valioso, por favor nunca cambie, espero verla de nuevo, hay tanto que me faltó
aprender de usted.
Para el Gato, tuvimos nuestras diferencias y nos separamos, quiero que
estés bien y seas feliz, no me odies, tú estuviste al inicio del viaje.
Aquel de mano firme y con visión en la ciencia, Dr. Rafael, le guardo
admiración y respeto, usted fue mi padre académico más exigente y agradezco
eso, me llevo una gran enseñanza de usted.
Al final creo que no pude ayudarte y te falle, Erika, espero que seas feliz
un día y encuentres a alguien que te haga feliz, espero se cumpla tu sueño de
ser escritora, agradezco que estuvieras presente en este viaje llamado vida.
Para los mallorquines, Sebastián y Tony, gracias por acogerme en tierras
desconocidas, por enseñarme su cultura y brindarme camaradería.
Para mis estudiantes, Ana, Ilse, Rosy, Karla, Janeth, Gisella, Caro,
Vanessa y la nueva encargada del laboratorio, Estefanía, a todas ustedes gracias
por tenerme paciencia en todo momento, lo mucho o poco que sabía, espero les
haya ayudado en algo en su viaje hacía el conocimiento, nunca dejen de aprender
y soñar.
Kim, Maripaz y Mariela, gracias por todo, aprecio su amistad, espero
lleguen lejos en este camino llamado vida.
Por último, quien me sacó del abismo, Diana espero verte pronto algún
día, gracias por brindarme tu amistad, se que te hice daño y lo lamento.
9
DEDICATORIA
La información es poder. Pero como todo poder, hay quienes quieren
guardarlo para sí mismos. El patrimonio científico y cultural de todo el mundo,
publicado durante siglos en libros y revistas, está siendo digitalizado y encerrado
cada vez más por un puñado de corporaciones privadas.
Para Aaron Swartz y Alexandra Elbakyan, gracias a ustedes por creer en
la ciencia y en la investigación, gracias por apoyar a la humanidad.
A todas aquellas personas que a lo largo de mi vida han sido importantes
para mí, a todos ustedes, aunque ya no están en mi vida, gracias por todo.
Al pueblo mexicano, ustedes son los que hacen posible estas
oportunidades para aquellos que desean superarse.
Al Consejo Nacional de Ciencia y Tecnología, por creer en la ciencia y en
la investigación.
Para la facultad de salud publica y nutrición, mi hogar donde me forme
como maestro en ciencias, por brindarme apoyo para crecer profesionalmente.
Para toda mi familia del Norte, para todos los Salazar, en especial, mi tía
Gloria y mi tío Juan.
10
CONTENIDO
ÍNDICE DE TABLAS .......................................................................................... 12
ÍNDICE DE FIGURAS ........................................................................................ 13
ABREVIATURAS ............................................................................................... 14
RESUMEN ......................................................................................................... 16
ABSTRACT ........................................................................................................ 17
1. INTRODUCCIÓN ........................................................................................... 18
1.1. Definición del problema .......................................................................... 19
2. ANTECEDENTES .......................................................................................... 21
2.1. Obesidad ................................................................................................ 21
2.2. Etiología ................................................................................................. 22
2.2.1. Alimentación y obesidad .................................................................. 22
2.2.2. Factores genéticos de la obesidad .................................................. 25
2.2.2.1. Variantes genéticas .................................................................... 26
2.2.2.2. Genes implicados en la obesidad .............................................. 28
2.2.2.3. Generalidades de BDNF ............................................................ 31
2.3. Diagnóstico de la obesidad .................................................................... 33
2.4. Clasificación de la obesidad de acuerdo con la composición corporal ... 35
2.5. Tratamiento ............................................................................................ 35
3. JUSTIFICACIÓN ............................................................................................ 37
4. HIPÓTESIS .................................................................................................... 39
5. OBJETIVOS ................................................................................................... 39
5.1. Objetivo General .................................................................................... 39
5.2. Objetivos específicos ............................................................................. 39
6. MATERIALES Y MÉTODOS .......................................................................... 40
6.1. Diseño del estudio .................................................................................. 40
6.2. Estrategia General ................................................................................. 41
6.3. Obtención de la información ................................................................... 43
6.4. Estudios y variables composición corporal ............................................. 43
6.5. Metodología para las mediciones antropométricas ................................ 43
6.6. Identificación de los fenotipos de obesidad ............................................ 45
6.7. Metodología para la obtención de la composición corporal .................... 45
6.8. Determinaciones y variables genéticas .................................................. 46
11
6.8.1. Extracción de sangre ....................................................................... 46
6.8.2. Extracción de ADN genómico .......................................................... 46
6.8.3. Cuantificación de los ácidos nucleicos............................................. 47
6.8.4. Diluciones y concentraciones de los ácidos nucleicos ..................... 47
6.8.5. Genotipificación de los SNPs ........................................................... 48
6.8.6. Técnica de la reacción en cadena de la polimerasa en tiempo real 48
6.8.6.1 Principio de las sondas Taqman ................................................. 49
6.8.7. Materiales, reactivos y manejo del equipo ....................................... 50
6.8.8. Frecuencias alélicas y genotípicas .................................................. 52
6.8.9.- Equilibrio de Hardy Weinberg ......................................................... 53
6.8.10.- Codificación de variables y modelos de herencia ......................... 53
6.8.11.- Análisis y pruebas estadísticas ..................................................... 53
7. RESULTADOS ............................................................................................... 54
7.1.- Características antropométricas y de composición corporal del grupo de mujeres postmenopáusicas ........................................................................... 54
7.2.- Clasificación de la población por fenotipos de obesidad ....................... 55
7.3.- Frecuencias alélicas y genotípicas de los polimorfismos rs6265 y rs7934165 del gen BDNF en el grupo de estudio .......................................... 56
7.4.- Determinación de la asociación de los polimorfismos rs6265 y rs7934165 del gen BDNF con los fenotipos de obesidad del grupo de estudio ...................................................................................................................... 58
8.- DISCUSIÓN .................................................................................................. 66
9. CONCLUSIONES .......................................................................................... 76
10. REFERENCIAS ........................................................................................... 77
11. RESUMEN CURRICULAR ........................................................................... 93
12
ÍNDICE DE TABLAS
Tabla I Genes asociados a variables de composición corporal…………………………….…..29
Tabla II Genes asociados a obesidad en población mexicana…………………………………..30
Tabla III Puntos de corte para riesgo de complicaciones metabólicas………….……………....34
Tabla IV Guía para la selección del tratamiento de la obesidad…………………………………36
Tabla V Fenotipos de acuerdo al Índice de Masa Corporal…………………………………...…45
Tabla VI Características generales de los polimorfismos analizados en BDNF…………………48
Tabla VII Sondas de hibridación para los polimorfismos del gen BDNF……………………..….48
Tabla VIII Reactivos y concentraciones para la reacción en cadena de la polimerasa…………50
Tabla IX Materiales para la Reacción en Cadena de la Polimerasa………………………….....50
Tabla X Condiciones de temperatura de la reacción………………………………………..…..51
Tabla XI Características generales de la población estudiada……………………………………54
Tabla XII Características generales en los grupos de estudio…………………………………….55
Tabla XIII Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF………………56
Tabla XIV Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF en los grupos
de estudio………………………………………………………………………….………….57
Tabla XV Regresión lineal del polimorfismo rs6265 del gen BDNF con variables
antropométricas…………………………………………………………………………...…59
Tabla XVI Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables
antropométricas………………………………………………………..…………………….61
Tabla XVII Regresión lineal del polimorfismo rs6265 con variables antropométricas en los
grupos de estudio por el modelo dominante…………………………..…………………64
Tabla XVIII Regresión lineal del polimorfismo rs7934165 con variables antropométricas en los
grupos de estudio, modelo aditivo ……………………………………………………….65
Tabla XIX Características generales y de composición corporal en distintas poblaciones…..…68
Tabla XX Comparación de porcentajes de fenotipos de obesidad en población nacional femenina
de 40 a 80 años comparada contra la población del noreste……..……………………70
Tabla XXI Frecuencias genéticas del rs6265 en diversos estudios………………………………..71
13
ÍNDICE DE FIGURAS
Figura 1 Prevalencia de obesidad en adultos mayores de 20 años por sexo y encuesta……….…21
Figura 2 Principales GWAS para los rasgos de adiposidad……………………………………..…….27
Figura 3 Ubicación del gen BDNF y polimorfismo rs6265………………………………………..…….32
Figura 4 Estrategia general del trabajo…………………………………………………………………...42
Figura 5 Principio de discriminación alélica por sondas de hibridación Taqman®……………..…...49
Figura 6 Dispersión de amplificación y discriminación alélica del SNP rs6265………………..........51
Figura 7 Dispersión de amplificación y discriminación alélica del SNP rs7934165………….…...…52
14
ABREVIATURAS
Abreviatura Significado
ADN Ácido Desoxirribonucleico
AIF1 Factor Inflamatorio 1
APOC1 Apolipoproteína C1
APOE Apolipoproteína E
BCDIN3D RNA Metil-Transferasa
BDNF Factor Neurotrófico Derivado del Cerebro
C12orf51 Dominio E3 Ubiquitina Proteína ligasa 4
CC Circunferencia de Cintura
CCK Colecistocinina
cDNA ADN complementario
Chi2 Prueba de chi cuadrada
CMO Contenido mineral óseo
CNV Número Variable de Copia
DXA Absorciometría dual de rayos X
ENSANUT Encuesta Nacional de Salud y Nutrición
FAIM2 Molécula Inhibidora Apoptótica Fas 2
FTO Fat to Obesity
GLP Péptido Similar al Glucagón
GNPDA2 Glucosamina 6 Fosfato Desaminasa 2
GWAS Estudio de Asociación del Genoma Completo
HWE Equilibrio de Hardy-Weinberg
ICC Índice Cintura Cadera
IMC Índice de Masa Corporal
INDELS Inserción-deleción
IRS1 Sustrato del Receptor de Insulina 1
KCTD15 Tetramero del Canal de Potasio
LEPR Receptor de Leptina
LYPLAL1 Similar a la Lisofosfolipasa 1
MAF Alelo de Menor Frecuencia
MC4R Receptor de Melanocortinas 4
MHO Metabólicamente sanos con obesidad
MLG Masa libre de grasa
MONW Metabólicamente Obesos con Peso Normal
mRNA ARN mensajero
MSRA Péptido Metionina Sulfóxido Reductasa
15
MTCH2 Portador Mitocondrial 2
MUO Obesos Metabólicamente no sanos
NCR3 Receptor Desencadenante de la Citotoxicidad Natural 3
NEGR1 Regulador de crecimiento neuronal 1
NPC1 Transportador de colesterol intracelular 1
NRXN3 Neurexina 3
NT Neurotrofina
NTRK Tirosina Quinasa Neurotrófica
NTRK2 Receptor neurotrófico de tirosina kinasa 2
NWO Obesidad con Peso Normal
OCDE Organización para la Cooperación y el Desarrollo Económico
OMS Organización Mundial de la Salud
OR Odds Ratio
OXM Oxintomodulina
PCSK1 Proproteina Convertasa 1
POMC Proopiomelanocortina
PRL Prolactina
proNGF Factor de Crecimiento Nervioso
proNT Pro neurotrofina
PYY Péptido Tirosina-Tirosina
qPCR Reacción en cadena de la polimerasa en tiempo real
RASAL2 Similar al Activador de Proteína RAS 2
RBC Solución de lisis de eritrocitos
SEC16B Factor de Exportación del Retículo Endoplásmico
SH2B1 Proteína Adaptadora
SNC Sistema Nervioso Central
SNP Polimorfismo de un solo nucleótido
SPRY2 Proteína Brumosa RTK de Señalización Antagonista 2
SREBF2 Factor de transcripción de unión al elemento regulador de esterol 2
STR Repeticiones Cortas en Tándem
TFAP2B Factor de Transcripción AP-2 Beta
TMEM18 Proteína Transmembrana 18
TOMM40 Translocasa de la Membrana Mitocondrial externa 40
Trk Tropomiosina Receptor Quinasa
16
RESUMEN
Introducción: La obesidad es una condición multifactorial y poligénica que promueve los problemas de salud más importantes a nivel mundial. El factor Neurotrófico Derivado del Cerebro (BDNF) es una proteína que participa en la regulación de mecanismos relacionados con el gasto energético y la saciedad. Polimorfismos del gen que codifica para esta proteína han sido asociados con la obesidad en diversas poblaciones europeas y americanas, con resultados discrepantes en relación a la composición corporal. Por lo tanto, el objetivo del presente estudio fue evaluar la asociación de los polimorfismos rs6265 y rs7934165 del gen BDNF con diferentes fenotipos de obesidad en mujeres postmenopáusicas del norte de México. Metodología: En el estudio se incluyeron a 182 mujeres postmenopáusicas posteriormente clasificadas con base en el Índice de Masa Corporal (IMC) como: peso normal, sobrepeso y obesidad; se midieron variables de composición corporal mediante absorciometría dual de rayos X (DXA). La genotipificación de los polimorfismos rs6265 y rs7934165 del gen BDNF se realizó con sondas de hibridación TAQMAN. Las diferencias entre grupos se obtuvieron mediante ANOVA de una vía y la asociación entre variables con regresiones lineales simples ajustadas por edad e IMC. Resultados: El grupo estudiado presentó una edad promedio de 57 años y un IMC de 29 kg/m2. En la población de estudio se observó que las portadoras del alelo G del rs6265 tenían mayor circunferencia de cadera (P = 0.04). El genotipo GG del rs7934165 mostró un sutil aumento en el porcentaje de grasa corporal. Al dividir a la población en los grupos de peso normal (19.7%), sobrepeso (41.20%) y obesidad (39.01%), se encontraron datos interesantes. En el grupo de peso normal, el alelo A del rs6265 se asoció con una disminución en el peso corporal (P = 0.04) y circunferencia de cadera (P = 0.01). Con el rs7934165 el alelo A se asoció con una mayor circunferencia de cadera en el grupo de sobrepeso (P = 0.01). Conclusiones: Ambos polimorfismos demostraron estar asociados a la composición corporal en mujeres postmenopáusicas del norte de México.
17
ABSTRACT
Introduction. Obesity is a complex polygenic condition that encompass the most important public health problems worldwide. Brain-Derived Neurotrophic Factor (BDNF) is a protein with a key role in basal metabolic rate and satiety homeostasis. Moreover, several studies have shown that some polymorphisms of the BDNF gene are linked to obesity. Additionally, it has been found that genetic polymorphisms in BDNF are associated with changes in body composition among European and American populations. Therefore our aim was to evaluate the association of rs6265 and rs7934165 polymorphisms in the BDNF gene with phenotypes associated to obesity in postmenopausal women from northern Mexico. Methods. This cross-sectional study was conducted in 182 postmenopausal women further classified as normal weight, overweight and obese according to Body Mass Index (BMI) classification system. Dual X-Ray Absorptiometry (DXA) was used to estimate body composition. Genotypes of rs6265 and rs7934165 were obtained by TAQMAN assays. Differences between groups were calculated trough one-way ANOVA analysis and associations with linear regressions adjusted by age and BMI. Results. The average age of the sample was 57 years and its BMI average was 29 kg/m2. The G allele of rs6265 was associated with a higher waist circumference (P = 0.04). The GG genotype of rs7934165 showed a nuance increase of fat mass percentage. Interestingly these associations were different when the sample was classified according to the BMI in normal weight (19.7%), overweight (41.20%) and obesity (41.20%). In normal weight the A allele of rs6265 was associated with a decrease of body weight (P = 0.04) and hip circumference (P = 0.01). In the rs7934165 polymorphism, the A allele showed an association with higher hip circumference in the overweight (P = 0.01). Conclusions: Both polymorphisms rs6265 and rs7934165 in the BDNF gene were associated with body composition and obesity in postmenopausal women.
18
1. INTRODUCCIÓN
La obesidad es definida por la Organización Mundial de la Salud (OMS)
como un exceso de grasa corporal que puede ser perjudicial para la salud (OMS,
2016). Esta definición simplista, no refleja la complejidad de una condición
multifactorial, caracterizada por un desbalance energético en el que la ingesta
calórica excede el gasto energético. De manera clásica se ha relacionado a un
estilo de vida inadecuado (mala alimentación y baja actividad física) que
repercute en una acumulación excesiva de grasa corporal. No obstante, este
padecimiento involucra otros procesos complejos en el desbalance energético
como vías metabólicas alteradas por factores ambientales y genéticos, que
promueven la ingesta calórica y la reducción del gasto energético (Schwartz et
al., 2017).
Las estrategias actuales para tratar o prevenir la obesidad se centran en
disminuir la acumulación de tejido adiposo buscando el balance energético. En
este sentido, existen diversos tratamientos para la obesidad, que van desde la
terapia dietética, aumento de la actividad física y terapia conductual (Kaila &
Raman, 2008). No obstante, los avances sobre las bases moleculares de la
obesidad y su asociación con enfermedades hacen a ciertos biomarcadores en
el genoma un candidato viable para la prevención de este problema de
magnitudes mundiales (Gao & Liu, 2014).
Un tema actual de mucho interés es identificar genes candidato que
puedan ser utilizados como biomarcadores de riesgo y herramienta en el diseño
de planes de alimentación, que aún no ha sido elucidado por completo y se
requieren más estudios de asociación genética para implementarlos en la
nutrición clínica.
19
1.1. Definición del problema
El exceso de grasa corporal, característico de la obesidad, se relaciona
con complicaciones severas como: resistencia a la insulina, diabetes mellitus tipo
2, enfermedades cardiovasculares y algunos tipos de cáncer (Jensen et al., 2013;
Jung & Choi, 2014; Skinner, Perrin, Moss & Skelton, 2015).
No solo la obesidad es un factor de riesgo para diversas enfermedades
metabólicas severas, sino que complican su tratamiento y recuperación. De tal
forma que los pacientes con enfermedades cardiovasculares reducen su
esperanza de vida si tienen sobrepeso (2-4 años menos) u obesidad (8-10 años)
(Prospective Studies Collaboration, 2009). Además la obesidad mórbida
(IMC>40kg/m2) se ha reconocido como un factor de riesgo para: hiperlipidemia,
asma y artritis e incrementa siete veces el riesgo de diabetes tipo 2 (OR, 7,37; IC
del 95%, 6,39-8,50) y de hipertensión (OR, 6,38; IC del 95%, 5,67- 7.17) (Mokdad
et al., 2003).
De acuerdo con datos de la organización “Colaboración de enfermedades
no transmisibles con factores de riesgo” (NCD-RisC, por sus siglas en inglés), las
cifras de obesidad van en aumento siempre con mayor prevalencia en mujeres
que en hombres en cualquier grupo etario (Trends NCD-RisC †, 2016). En el año
2016, la OMS reportó que en el mundo 1.9 billones de adultos padecen
sobrepeso, de los cuales 650 millones tienen obesidad (OMS, 2016). Así mismo,
la Organización para la Cooperación y el Desarrollo Económicos (OCDE), reportó
que México se encuentra en el segundo lugar en obesidad (Obesity Update,
2017). En este sentido, los datos más recientes de la Encuesta Nacional de Salud
y Nutrición (ENSANUT), señalan que más del 70 % de los adultos en el país
padecen sobrepeso u obesidad, muy por encima de la media internacional
(ENSANUT, 2016).
El costo de estas condiciones se ha convertido en un serio problema
económico para el sector salud. El Instituto McKinsey (McKinsey Global Institute)
reportó que, a nivel mundial, la obesidad impone costos equivalentes a 2.8% del
20
producto interno bruto global. Esto también afecta al presupuesto de las familias,
los sistemas de salud y las finanzas públicas de los países (McKinsey &
Company, 2014). En México, el costo anual de la atención médica para la
obesidad, la diabetes y las enfermedades cardiovasculares en 2012 fue de
alrededor de siete mil millones de dólares (Alcalde-Rabanal, Orozco-Núñez,
Espinosa-Henao, Arredondo-López & Alcayde-Barranco, 2018).
El incremento en la prevalencia y el gasto dirigido a la obesidad, puede ser
explicado parcialmente por la dificultad en el tratamiento para reducir el peso
corporal. Aunque los esfuerzos han sido dirigidos hacia la dieta y el ejercicio, los
resultados son poco prometedores y el paciente tiende a recuperar el peso
perdido debido a la baja adherencia a los diversos planes de alimentación. Sin
embargo, los estudios sobre los efectos de las variaciones genéticas en la
respuesta a la dieta están elucidando las bases para el tratamiento personalizado
de la obesidad con mayores probabilidades de adherencia y éxito (Weinsier,
Hunter, Heini, Goran & Sell, 1998; Solas, Milagro, Martínez-Urbistondo, Ramirez
& Martínez, 2016). No obstante, los investigadores aún están en el proceso de
integrar investigación de ciencia básica con la clínica y aplicar los resultados a la
atención del paciente (Skelton, DeMattia, Miller & Olivier, 2006). Para lo anterior,
se requiere elucidar aquellas variantes genéticas que están relacionadas con el
desbalance energético y que a su vez se puedan utilizar como biomarcadores
coadyuvantes en el diseño de planes dietéticos personalizados. Por lo anterior,
el objetivo del presente estudio fue evaluar la asociación de los polimorfismos
rs6265 y rs7934165 del gen BDNF con fenotipos de obesidad en mujeres
postmenopáusicas.
21
2. ANTECEDENTES
2.1. Obesidad
La obesidad es una condición compleja, altamente prevalente y
multifactorial; predispone a enfermedades metabólicas severas como diabetes
tipo 2, enfermedades cardiovasculares y síndrome metabólico. La epidemia de la
obesidad ha alcanzado proporciones de magnitudes globales (OMS, 2016). En
México, la situación es alarmante ya que supera la media internacional en niños
y adultos. En las últimas décadas se ha observado un constante aumento en la
prevalencia de obesidad y sobrepeso en la población mayor a 20 años (Figura
1). De acuerdo con estos datos de la ENSANUT desde el año 2000 al 2016, las
mujeres muestran mayores cifras de prevalencia.
Figura 1. Prevalencia de obesidad en adultos mayores de 20 años por sexo y encuesta Fuente: ENSANUT 2000, 2006, 2012, 2016
Si estas tendencias continúan, para 2025, la prevalencia mundial de la
obesidad alcanzará el 18% en los hombres y superará el 21% en las mujeres
(Trends NCD-RisC †, 2016).
0
5
10
15
20
25
30
35
40
45
2000 2006 2012 2016
Total Sobrepeso Total Obesidad Sobrepeso hombres
Obesidad hombres Sobrepeso mujeres Obesidad mujeres
22
2.2. Etiología
El peso y composición corporal dependen del balance entre la ingesta y el
gasto de energía. A su vez, el balance energético, está controlado por la
alimentación, la actividad física y diversos factores neuroendocrinos, todos
regulados por factores genéticos (Marti, Martinez-González & Martinez, 2008;
Van Vliet-Ostaptchouk, Snieder & Lagou, 2012). Dentro de los factores más
estudiados en la etiología de la obesidad, se encuentran la alimentación
inadecuada (en cantidad y distribución de nutrientes), así como la falta de
actividad física (sedentarismo). Sin embargo, las estrategias para reducción de
peso, modificando dieta y actividad física no han resuelto la pandemia de
obesidad, sugiriendo que este proceso no es tan sencillo como se pensaba. Por
el contrario, la participación conjunta de diversos factores clásicos (alimentación
y actividad física) y alternativos (factores neuroendócrinos y genéticos), en el
desbalance energético, podrían explicar mejor las cifras pandémicas actuales de
obesidad y en un futuro favorecer al tratamiento.
2.2.1. Alimentación y obesidad
La selección de alimentos está influenciada por los hábitos en el hogar, y
el entorno sociocultural, así como el tipo de trabajo y el tiempo disponible para la
preparación de alimentos. Los avances tecnológicos y las jornadas laborales
extenuantes nos han llevado a incrementar el consumo de alimentos ultra
procesados. Estos alimentos se caracterizan por tener bajos contenidos de fibra
y alto contenido de sodio y grasa (energéticamente densos). De hecho, el acceso
a los alimentos ultra procesados, ha sido determinante en la presencia de
obesidad (Crino, Sacks, Vandevijvere, Swinburn & Neal, 2015).
En este contexto, es lógico intuir que una reducción en la densidad
energética y/o en el consumo de alimentos promueve la pérdida de peso. No
obstante, los tratamientos para la obesidad con dieta no son suficientes. Los
mecanismos fisiológicos contrarrestan la fuerza de voluntad y alteran el
comportamiento por medio de señales neuroendocrinas como: cambios en la
23
producción de leptina, otras hormonas y demás nutrientes neuromoduladores,
que desatan mecanismos para contrarrestar el déficit energético. Estos circuitos
operan a nivel hipotalámico, tallo cerebral y sistema límbico (Berthoud, 2011).
Siendo así, que aquellos individuos en un régimen moderado de alimentación son
de dos a cinco veces más propensos a desarrollar un trastorno alimentario (Hill,
2004). El proceso de pérdida de peso lleva a una compensación metabólica
pasiva, donde el gasto energético se reduce más rápido que los cambios en la
composición corporal. Este proceso es denominado termogénesis adaptativa y
funciona para conservar energía y evitar la pérdida de peso, trastocando el éxito
del tratamiento dietético de la obesidad (Major, Doucet, Trayhurn, Astrup &
Tremblay, 2008).
La regulación del balance energético es sumamente compleja e involucra
señales neuronales y hormonales entre el intestino y el sistema nervioso central
(SNC). Las hormonas, como el péptido similar al glucagón (GLP), oxitomodulina
(OXM), leptina, péptido tirosina-tirosina (PYY) y la colecistocinina (CCK), mandan
una señalización a las áreas del SNC que controlan el apetito. Se ha observado,
que los niveles séricos de estas hormonas aumentan después de una comida
(Simpson, Parker, Plumer & Bloom, 2011; Bataille & Dalle, 2014). En la regulación
neuroendocrina del balance energético, la saciedad es uno de los principales
procesos afectados en la obesidad. Esto es de especial importancia, ya que por
sí misma, puede causar un desbalance energético y aumento de peso corporal
(Hinney, Vogel & Hebebrand, 2010).
Las señales de saciedad son emitidas en el hipotálamo, principalmente por
la vía de leptina-melanocortinas, que sensa los niveles de energía almacenados
en el tejido adiposo, interpretando los niveles de leptina y emitiendo señales para
regular la ingesta calórica (do Carmo et al., 2013; Ceccarini, Maffei, Vitti & Santini,
2014). La leptina, es una hormona secretada en el tejido adiposo y circula en el
plasma en proporción a los niveles de grasa corporal (Remesar, Rafecas,
Fernández-López & Alemany, 1997; Trayhurn & Wood, 2004; Ouchi, Parker,
24
Lugus & Walsh, 2011). Posterior a la ingesta calórica, el tejido adiposo libera esta
hormona para comenzar las señales de saciedad, en el siguiente orden:
• La leptina atraviesa la barrera hematoencefálica y se une a sus
receptores (LEPR, Leptin Receptors, por sus siglas en inglés), exhibidos
en las neuronas secretoras de proopiomelanocortinas (POMC, Pro-
opiomelanocortin, por sus siglas en inglés) (Pritchard, 2002).
• Las neuronas POMC, secretan la hormona estimulante de melanocitos
alfa (αMSH, Alpha-Melanocyte Stimulating Hormone, por sus siglas en
inglés), que interacciona con los receptores de melanocortinas (MC4R,
Melanocortin 4 Receptor, por sus siglas en inglés), expresados en
neuronas de segundo orden (Biebermann, Kühnen, Kleinau & Krude,
2011; Mountjoy, 2015).
• Finalmente la unión de αMSH a MC4R promueven la secreción por parte
de las neuronas de segundo orden de péptidos anorexigénicos, como el
factor derivado de neurotrofinas (BDNF, Brain Derived Neurotrophic
Factor, por sus siglas en inglés) que promueve señales de saciedad y
detiene la ingesta calórica (Girardet & Butler, 2014).
Además de alteraciones a nivel neuroendocrino, las alteraciones en el
sistema circadiano pueden llevar a la presencia de obesidad y sus
comorbilidades como: enfermedades cardiovasculares, hipertensión y diabetes
tipo 2 (Froy, 2007). Esto debido a que diversas hormonas involucradas en el
metabolismo (insulina, glucagón, hormona del crecimiento y cortisol), muestran
variaciones circadianas con diferentes patrones diarios. Las variantes en genes
que codifican para estas hormonas y aquellos reguladores del ciclo circadiano se
han asociado en diversas poblaciones a la obesidad (Garaulet & Madrid, 2009).
En este tenor, se ha descrito que la obesidad es altamente heredable, sin
embargo, los miembros de la familia no solo comparten genes, sino también la
interacción entre la dieta y estilo de vida, por lo que los estudios para determinar
los genes implicados en la etiología de la obesidad deben ser realizados con
especial cautela (Gao & Liu, 2014).
25
2.2.2. Factores genéticos de la obesidad
Se ha estimado que la heredabilidad de la obesidad va de un 40% a 70%,
pero además con una característica poligénica en la que diversos genes
participan conjuntamente en la compleja etiología de la obesidad (Herrera &
Lindgren, 2010).
Estudios realizados en gemelos mono y dicigóticos mostraron fuertes
correlaciones con el Índice de Masa Corporal (IMC), incluso en pares criados
separados, sugiriendo que las influencias genéticas son fundamentales en las
variaciones de esta medida antropométrica; con mayor concordancia en gemelos
monocigóticos que en dicigóticos (Stunkard, Harris, Pedersen & McClearn, 1990;
Herrera y Lindgren, 2010). Estudios longitudinales en gemelos han mostrado que
la variación del IMC en función del ambiente, es mínima después de los 17 años
(Lajunen et al., 2009). Para otras medidas sugerentes de obesidad como la grasa
corporal, se ha reportado una heredabilidad del 60%, sin diferencias entre
hombres y mujeres (Price & Gottesman, 1991).
Los estudios de adopción sugieren, que la correlación de los hijos
adoptados con sus padres biológicos se debe a factores genéticos y la
correlación con sus padres adoptivos se debe a factores ambientales. En niños
adoptados, el IMC del individuo se correlaciona más estrechamente con los
padres biológicos (Sørensen, Holst & Stunkard, 1992; Sørensen, Holst &
Stunkard, 1997).
El componente heredable de la obesidad predispone a los individuos a un
incremento del IMC y, por ende, el desarrollo de sus comorbilidades (Li et al.,
2011). No obstante, la obesidad es multifactorial y la alimentación, así como los
factores neuroendocrinos, también tienen una participación en la ganancia de
peso. Probablemente a través de la interacción con algunos genes que regulan
los procesos biológicos de saciedad y apetito (Sonestedt et al., 2009).
26
El origen étnico de las poblaciones también juega un papel importante en
el desarrollo de la obesidad (Traurig et al., 2009). El Mestizo Mexicano, es una
mezcla reciente de al menos tres ancestrías (Europea, Africana y Amerindia) y
posee una subestructura genética muy particular (Santana et al., 2014). En este
sentido, se ha reportado que la ancestría amerindia, está relacionada con la alta
predisposición a la obesidad y a la diabetes tipo 2 en la población Mestiza
Mexicana (Mejía, Klünder, Yengo, Meyre, Aradillas & Cruz et al. 2013).
2.2.2.1. Variantes genéticas
En el año 2003 se secuenció completamente el genoma humano, que
tiene una longitud de 3200 millones de pares de bases nitrogenadas y alberga
alrededor de 25,000 genes que codifican las proteínas necesarias para el
funcionamiento de cada una de las células del organismo. Dentro de la secuencia
del ADN existen variaciones genéticas, es decir, cambios en la secuencia de
nucleótidos que permiten la diversidad interindividual de las poblaciones (Thapar
& Cooper, 2013). Las variantes genéticas que son comunes en los individuos
(mayor al 1%) se denominan polimorfismos. Estos pueden ser tan pequeños,
como el cambio de un solo nucleótido (SNP, Single Nucleotide Polymorphism,
por sus siglas en inglés), o incluir varias bases nitrogenadas como los de
repetición en tándem (STR, Short Tandem Repeat, por sus siglas en inglés), o
inserciones y deleciones en el genoma (Vignal, Milan, SanCristobal & Eggen,
2002).
Los polimorfismos son utilizados en los estudios de asociación genética
(EAG) para encontrar relaciones entre variantes en el genoma y distintos
fenotipos o enfermedades. Al año 2006, mediante los EAG, ya se tenían cientos
de genes candidatos para la obesidad principalmente en poblaciones Europeas
y Asiáticas (Visscher et al., 2012).
En las últimas décadas, el estudio para identificar la relación entre genes
y enfermedades o condiciones metabólicas, ha tomado otro enfoque. Ahora, los
estudios epidemiológicos en genética se basan en el principio de buscar
27
variantes en el genoma completo (GWAS, Genome Wide Association Studies,
por sus siglas en inglés) de pacientes con alguna condición y compararlo con el
genoma de individuos no afectados (Davey Smith & Ebrahim, 2003; Visscher et
al., 2017). Los GWAS buscan la correlación entre los SNPs a lo largo de todo el
genoma y la variación de alguna característica en una muestra individuos
(Fawcett & Barroso, 2010).
Los SNPs en genes clave, pueden alterar vías de señalización y afectar
actividades fisiológicas y por ende promover la susceptibilidad a distintas
patologías (Hegele, Jugenberg, Connelly, & Jenkins, 1997). El estudio de GWAS
identificar a miles de SNPs en cientos de genes asociados al IMC, al Índice
Cintura Cadera (ICC) y otras medidas de adiposidad (Figura 2) (Goodarzi, 2018).
Figura 2. Principales GWAS para los rasgos de adiposidad.
Modificado de: Goodarzi, 2018.
28
2.2.2.2. Genes implicados en la obesidad
La obesidad es multifactorial y además tiene una característica poligénica
en la que cientos de genes participan de manera conjunta en la etiología de esta
condición compleja. Entre los primeros genes relacionados a la obesidad se
encuentra el gen de fat to obesity (FTO), que se observó que distintos alelos de
susceptibilidad eran más comunes en pacientes con obesidad que en individuos
con peso normal (Speliotes et al., 2010).
Los genes implicados en la diferenciación neuronal del núcleo
paraventricular, juegan un rol en la vía de saciedad leptina-melanocortinas y se
han asociado a la hiperfagia (O'Rahilly & Farooqi, 2008). El esclarecimiento de
los mecanismos relacionados a la obesidad ha permitido postular al sistema
nervioso central como pieza clave para la regulación del balance energético. La
tabla I, muestra a diversos genes a lo largo del genoma, que participan en la
ingesta dietética y preferencias en los macronutrientes, así como su asociación
con medidas antropométricas sugerentes de obesidad (Bauer et al., 2009). De
estos destacan diversos genes que participan en la vía de saciedad de leptina-
melanocortinas (MC4R y BDNF), así como LYPLAL1 que aún se desconoce su
función principal, pero parece tener un rol fundamental en la regulación del
metabolismo energético y almacén de lípidos en los adipocitos (Hernández-
Tobías, et al., 2016).
Hasta la fecha, los estudios de asociación genética con la obesidad han
sido mayormente realizados en poblaciones europeas y asiáticas (Herrera &
Lindgren, 2010). En la población mexicana, algunas variantes se han relacionado
con distintos grados de obesidad (Tabla II). Entre estos genes destacan algunos
que participan en las vías de saciedad (MC4R, BDNF), en el gasto energético
(ADIPOQ) y en la termogénesis (UCP3).
29
IMC= Índice de masa corporal, CC = circunferencia de la cintura, ICC= Índice cintura cadera.
Tabla I. Genes asociados a variables de composición corporal Gen Variable Localización Estudio
NEGR1 IMC, CC, peso 1p31 (Willer et al., 2008), (Thorleifsson et al., 2008)
SEC16B, RASAL2 IMC, peso 1q25 (Thorleifsson et al., 2008)
LYPLAL1, ZC3H11B IMC, ICC, 1q41 (Lindgren et al., 2009)
SDCCAG8 IMC 1q43-q44 (Scherag et al., 2010)
TMEM18 2p25 (Willer et al., 2008), (Thorleifsson et al., 2008), (Scherag et al., 2010)
Cercano a ETV5 IMC, PESO 3q27 (Thorleifsson et al., 2008)
Cercano a GNPDA2 IMC 4p13 (Willer et al., 2008)
TFAP2B IMC, CC 6p12 (Lindgren et al., 2009)
NCR3, AIF1 y BAT2 Peso 6p21 (Thorleifsson et al., 2008)
PRL IMC 6p22.2-p21.3 (Meyre et al., 2009)
MSRA IMC, CC 8p23.1 (Lindgren et al., 2009), (Scherag et al., 2010)
PTER
IMC 10p12 (Meyre et al., 2009)
MTCH2 11p11.2 (Willer et al., 2008)
BDNF 11p14 (Thorleifsson et al., 2008)
C12orf51/PTPN11 ICC 12q24 (Cho et al., 2009)
FAIM2, BCDIN3D IMC, PESO 12q13 (Thorleifsson et al., 2008)
NRXN3 IMC, CC 14q31 (Heard-Costa et al., 2009)
SH2B1
IMC
16p11.2 (Willer et al., 2008), (Thorleifsson et al., 2008)
MAF 16q22-q23 (Meyre et al., 2009)
FTO 16q22.2 (Frayling et al., 2007), (Scuteri et al., 2007), (Chambers et al., 2008), (Willer et al., 2008),
(Thorleifsson et al., 2008), (Meyre et al., 2009), (Scherag et al., 2010)
NPC1 18q11.2 (Meyre et al., 2009)
MC4R 18q22 (Chambers et al., 2008), (Willer et al., 2008), (Thorleifsson et al., 2008), (Meyre et al., 2009) (Scherag
et al., 2010), (Loos et al., 2008)
KCTD 15 IMC, PESO 19q13.11 (Willer et al., 2008), (Thorleifsson et al., 2008)
30
Tabla II. Genes asociados a obesidad en población mexicana
Gen SNP Grado de
obesidad
Obesidad / peso normal Obesidad grado I/II / peso normal Obesidad III / peso normal
OR (95% IC) P OR (95% IC) P OR (95% IC) P
ADIPOQ rs2241766 General 2.34 (1.07-5.12) 0.033 2.76 (1.23-6.19) 0.014 1.26 (0.37-4.22) 0.713
UCP3 rs1800849 I-II 1.25 (0.97-1.62) 0.085 1.33 (1.00-1.77) 0.050 1.09 (0.77-1.56) 0.632
FTO rs9939609 General 1.42 (1.15-1.76) 0.001 1.19 (0.93-1.52) 0.174 1.88 (1.44-2.45) 3.4x10-6
TMEM18 rs6548238 General
I-II 1.57 (1.17-2.12) 0.003 1.74 (1.23-2.46) 0.002 1.29 (0.87-1.91) 0.200
INSIG2 rs7566605 General
I-II 1.33 (1.08-1.63) 0.006 1.38 (1.10-1.74) 0.005 1.23 (0.92-1.63) 0.161
FAIM2/BCDIN3 rs7138803 General
I-II 1.88 (1.05-3.37) 0.034 1.93 (1.03-3.61) 0.040 1.76 (0.84-3.65) 0.132
BDNF rs6265 General
III 1.33 (1.01-1.74) 0.044 1.21 (0.89-1.63) 0.222 1.59 (1.09-2.32) 0.017
SH2B1 rs7498665 I-II 1.12 (0.94-1.33) 0.195 1.21 (1.00-1.46) 0.047 0.97 (0.78-1.22) 0.799
MC4R rs17782313 III 1.24 (0.89-1.72) 0.198 0.98 (0.68-1.42) 0.923 1.85 (1.23-2.80) 0.003
Obtenido y modificado de: León-Mimila et al., 2013.
31
Se han encontrado diversos loci asociados a obesidad en población
mexicana (León-Mimila et al., 2013). Además de obesidad en general, existen
diversos autores que han encontrado asociación con circunferencia de cintura,
índice cintura cadera, e IMC en población adulta y pediátrica (Duran-Gonzalez et
al., 2011; Villamil-Ramírez et al., 2016; Turcotte et al., 2018).
Dentro de los genes implicados en la obesidad, destaca la asociación de
las variantes genéticas en la regulación de la saciedad, entre ellos BDNF.
Estudios en modelos animales, sugieren que la proteína BDNF participa en la
regulación de la ingesta de alimentos (Lapchak & Hefti, 1992). Años más tarde,
se encontró que la infusión de BDNF en el ventrículo lateral de ratas adultas
induce la supresión del apetito y la pérdida de peso (Pelleymounter, Cullen, &
Wellman, 1995).
Estudios en humanos sobre el gen BDNF, fueron realizados por Gray y
colaboradores (2006), que reportaron por primera vez la importancia de este gen
en humanos en una paciente femenina de 8 años heterocigota que presentaba
una inversión cromosomal que abarcaba el gen BDNF, la paciente tenía
hiperfagia, obesidad temprana y problemas cognitivos (Hoffmann, Sgro & Weeks,
2004).
2.2.2.3. Generalidades de BDNF
BDNF es una neurotrofina implicada en diversas funciones del cerebro,
por ejemplo, desarrollo neuronal, la señalización durante el neurodesarrollo y la
plasticidad sináptica (Binder, & Scharfman, 2004). Entre sus otros roles se
encuentra la inhibición del apetito, aspectos conductuales, hiperactividad y
procesos cognitivos (Pelleymounter, Cullen & Wellman, 1995). Su liberación es
controlada por el estado nutricional de los individuos y juega un rol como factor
anorexígeno (Lommatzsch et al., 2005). El gen que codifica para esta proteína
presenta polimorfismos asociados que han sido asociados con obesidad
(Speliotes et al., 2010). Está localizado en el locus 11p13-14, región que también
32
ha sido relacionada con desorden bipolar y con un mayor IMC en estos pacientes.
El gen BDNF tiene nueve exones (I-IX) con promotores independientes y pocas
formas de corte y empalme alternativas (Figura 3) (Aid, Kazantseva, Piirsoo, Palm
& Timmusk, 2007). Los ARN mensajeros se traducen en pro-BDNF que sufre
modificaciones post-traduccionales para producir una proteína madura. En el gen
BDNF se han identificado cientos de SNPs que generan al menos 22 isoformas
de ARN mensajero (Timmusk et al., 1993; Aid, et al., 2007; Neves-Pereira et al.,
2002; Sklar et al., 2002).
Figura 3. Ubicación del gen BDNF y polimorfismo rs6265.
Modificado de: Morales Marín., et al., 2016.
Debido a que sólo el exón IX contiene la región codificante, todos estos
transcritos forman una forma del polipéptido de BDNF. Tal estructura genética
sofisticada puede afinar su regulación transcripcional en diferentes tipos celulares
y por diferentes actividades neuronales (Zheng, Zhou, Moon & Wang, 2012).
A nivel hipotalámico la proteína BDNF se une al receptor TrkB y promueve
las señales de saciedad para disminuir la ingesta calórica, el gasto energético y
el peso corporal. Estudios realizados en roedores tratados con fármacos
estimulantes de BDNF, demostraron que tenía la capacidad de reducir la ingesta
calórica. Así mismo los modelos animales con el gen BDNF y TrkB silenciados,
demostraron que esta vía era indispensable para evitar la obesidad causada por
hiperfagia (Lebrun, Bariohay, Moyse, & Jean, 2006). En humanos, los estudios
33
de asociación genética han sugerido una asociación entre variantes genéticas en
BDNF y TrkB con la obesidad en adultos y niños (da Fonseca, Mastronardi, Johar,
Arcos-Burgos & Paz-Filho, 2017). Así mismo, los niveles circulantes de BDNF se
han asociado con la obesidad y con diabetes tipo 2 (Tonra et al., 1999).
El estudio de genes candidato y GWAS sugiere que varios SNPs en el gen
BDNF están asociados con un aumento del IMC, circunferencia de cadera y peso.
Mostrando una fuerte asociación con IMC seguido de circunferencia de cadera y
peso en población puertorriqueña (Ma et al., 2012). Así mismo, se ha reportado
la asociación de este SNP con la obesidad y el IMC en la población Belga,
Mexicana, Japonesa y Americana (Beckers et al., 2008; Hotta et al., 2009; León-
Mimila et al., 2013; Timpano, Schmidt, Wheaton, Wendland, & Murphy, 2011). No
obstante, los resultados son discrepantes ya que, en estudios realizados en
Islandia, Grecia y Croacia, no se ha observado alguna relación de este SNP con
la obesidad, el sobrepeso o el IMC (Rouskas et al., 2012; Skledar et al., 2012;
Thorleifsson et al., 2008).
2.3. Diagnóstico de la obesidad
Actualmente el IMC es la ecuación más utilizada para hacer el diagnóstico
de obesidad y sobrepeso. Este índice es una estimación que divide el peso actual
entre el cuadrado de la estatura (kg/m2). Para la interpretación existen puntos de
corte brindados por la OMS, que permiten hacer el diagnóstico de sobrepeso
(IMC ≥ 25.0 kg/m2) y obesidad (IMC ≥ 30.0 kg/m2). Aunque este índice había sido
ampliamente reconocido como un estimador del riesgo en salud y de la grasa
corporal, hoy en día se sabe que su especificidad y sensibilidad es baja para el
diagnóstico de obesidad (Nuttall, 2015).
Con base en la definición de la obesidad de la OMS, como un exceso en
la acumulación de grasa que puede ser perjudicial para la salud, el diagnóstico
de obesidad también puede realizarse en función del porcentaje de grasa
corporal del individuo. Para realizar esta medida antropométrica,
34
tradicionalmente se utilizaban los pliegues cutáneos (Tanner, & Whitehouse,
1975; Reilly, 2003). Actualmente las técnicas antropométricas para la estimación
de la composición corporal utilizan plicometría, bioimpedancia eléctrica, índice de
cintura cadera y densitometría mineral para estimar el porcentaje de grasa
corporal (Brodie, Moscrip & Hutcheon, 1998).
El Índice Cintura Cadera (ICC) es el cociente de dichas circunferencias, ha
sido utilizado para determinar la grasa central del individuo y predecir los riesgos
de enfermedad relacionados a la obesidad (Peltz, Aguirre, Sanderson, & Fadden,
2010) (Tabla III).
Tabla III. Puntos de corte para riesgo de complicaciones metabólicas
Indicador Puntos de corte Riesgo de complicaciones
metabólicas Circunferencia de cintura >94 cm (H); >80 cm (M) Incrementado Circunferencia de cintura >102 cm (H); >88 cm (M) Sustancialmente
incrementado ICC ≥0.90 cm (H); ≥0.85 cm (M) Sustancialmente
incrementado Fuente: OMS 2008
Sin embargo, las técnicas directas de estimación de grasa corporal son
más adecuadas para el diagnóstico preciso de la obesidad. Entre ellas se
encuentra la bioimpedancia eléctrica y la absorciometría dual de rayos X (DXA,
Dual X-ray Absorciometry, por sus siglas en inglés) (Williams et al., 2006). Esta
última técnica fue originalmente desarrollada para analizar el contenido óseo,
pero ha demostrado ser una herramienta altamente sensible para la
determinación de la composición corporal (Brodie, Moscrip & Hutcheon, 1998).
35
2.4. Clasificación de la obesidad de acuerdo con la composición corporal
Aunque las mediciones antropométricas de grasa corporal son cada vez
más exactas, y que la definición de obesidad se basa en el exceso de grasa
corporal, aun no existen puntos de corte para el porcentaje de grasa y la
clasificación de obesidad (Gallagher et al., 2000).
En el año 2006, se describió por primera vez el término obesidad con peso
normal (NWO, Normal Weight Obesity, por sus siglas en inglés), observándose
la asociación entre el peso normal y un alto contenido de grasa con anomalías o
alteraciones metabólicas. Los individuos con NWO se caracterizan por un peso
normal (IMC 18-24.9 kg/m2) y un porcentaje de grasa corporal mayor a 30% (De
Lorenzo, Martinoli, Vaia, & Di Renzo, 2006). Estos individuos se han relacionado
con una serie de alteraciones metabólicas y se presume que es debido al elevado
porcentaje de grasa corporal.
Así mismo y con riesgos similares a NWO, se han descrito a otros
fenotipos de obesidad como: sujetos metabólicamente obesos con peso normal
(MONW, Metabolically Obese Normal Weight, por sus siglas en inglés) e
Individuos metabólicamente sanos obesos (MHO, Metabolically Healthy Obese,
por sus siglas en inglés) (Karelis, Brochu, Rabasa-Lhoret, Garrel & Poehlman,
2004).
2.5. Tratamiento
Los tratamientos para la obesidad son diversos y corresponden al grado
de IMC y complicaciones del paciente. Uno de los tratamientos tradicionales es
la intervención dietética, en la que el individuo es sometido a distintos tipos de
alimentación para reducir el peso corporal. Existen diversos planes de
alimentación saludables y adecuados para la población general como: dietas
hiperprotéicas, hipocalóricas, bajas en grasa, etc. La investigación en nutrición
clínica ha demostrado que ningún patrón de alimentación es mejor que otro, pero
36
que cada paciente se apega mejor a cierto tipo de alimentación (Walsh et al,
2013).
Además del tratamiento dietético, el aumento de la actividad física ha sido
utilizada en la reducción de peso, debido a que puede aumentar el gasto
energético (Wiklund, 2016). No obstante, algunos estudios indican que la
actividad física por sí sola, solo induce una reducción del 2% al 3% del IMC, por
ello debe ir a la par con la terapia nutricional (Garrow & Summerbell, 1995).
La farmacoterapia es parte del tratamiento para el control de peso, hay
una gran variedad de agentes que se han probado en el tratamiento de la
obesidad, actualmente solo la metformina y el orlistat están aprobados para su
uso en la reducción de peso. Sin embargo, la farmacoterapia está indicada para
personas que no pueden reducir el peso con modificación del estilo de vida. Los
procedimientos quirúrgicos solo están indicados en pacientes con obesidad
severa (Kaila & Raman, 2008). La tabla IV muestra el tipo de tratamiento
adecuado para el manejo de la obesidad.
Tabla IV. Guía para la selección del tratamiento de la obesidad
Tratamiento Categoría de índice de masa corporal kg/m2
25-26.4 27-29.9 30-34.9 35-39.9 ≥40 Dieta ejercicio y terapia conductual
+ + + + +
Farmacoterapia -
Con comorbilidades + + +
Cirugía - - -
Con comorbilidades +
Modificado de Goodwin, 2002.
37
3. JUSTIFICACIÓN
La obesidad muestra cifras pandémicas, se estima que para el 2030 más
de la mitad de la población tendrá obesidad. En México, la prevalencia de
obesidad ha aumentado más de 10% en menos de 20 años, si esta aceleración
continúa, en diez años más, las comorbilidades de la obesidad causarán una
pérdida de más del 6% del producto interno bruto, es decir cientos de millones
de dólares al año (OMENT, 2017).
Además del cargo económico, la obesidad es el principal factor de riesgo
para enfermedades metabólicas severas como diabetes tipo 2, enfermedades
cardiovasculares y ciertos tipos de cáncer. Lo que hace necesario, la solución y
disminución de las cifras de prevalencia. Sin embargo, la obesidad es una
condición compleja altamente heredable y multifactorial, lo que hace más
complejo el tratamiento.
Las modificaciones dietéticas personalizadas son las que tienen mayores
probabilidades de éxito en la reducción de peso corporal. No obstante, las
herramientas para ajustar una dieta al paciente son limitadas y se basan en
entrevistas y medidas antropométricas. La nutrigenética ofrece una nueva forma
de hacer dietas más personalizadas, con base en el genotipo del individuo. Sin
embargo, los estudios de asociación genética, necesarios para desarrollar dichos
planes de alimentación, se han realizado principalmente en poblaciones
europeas y asiáticas; por lo que los datos de esta investigación básica no pueden
ser extrapolados al mestizo mexicano, que tiene una arquitectura genética muy
peculiar y distinta a la de estas poblaciones.
Debido a lo anterior, es necesario realizar estudios que indiquen cuales
son los genes que pueden servir como biomarcadores de susceptibilidad y en el
desarrollo de dietas personalizadas. Entre los genes candidato para la etiología
de la obesidad, se han destacado aquellos que participan en procesos biológicos
38
que llevan a esta condición (apetito, saciedad, gasto energético, etc.). Dentro de
la vía de saciedad, el gen BDNF ha sido uno de los principales implicados y su
función ha sido esclarecida con modelos in vivo e in vitro. Sin embargo, los
estudios de asociación genética han despertado incertidumbre por la
discrepancia en resultados entre poblaciones
Los datos obtenidos al realizar la presente investigación nos brindaron
información relevante, así como nuevos hallazgos en el campo de la nutrición y
genética poblacional con el gen BDNF en el noreste del país, para determinar la
posible asociación de polimorfismos en este gen con la composición corporal en
las mujeres postmenopáusicas de esta región.
39
4. HIPÓTESIS
Los polimorfismos rs6265 y rs7934165 del gen BDNF se asocian con
fenotipos de obesidad en mujeres postmenopáusicas.
5. OBJETIVOS
5.1. Objetivo General
Evaluar la asociación de los polimorfismos rs6265 y rs7934165 del gen
BDNF con características antropométricas relacionadas con obesidad, en
diferentes fenotipos de obesidad en mujeres postmenopáusicas.
5.2. Objetivos específicos
1.- Identificar las características antropométricas y de composición corporal de
un grupo de mujeres postmenopáusicas.
2.- Clasificar a la población de acuerdo con los fenotipos de composición corporal
con base en el Índice de Masa Corporal.
3.- Identificar las frecuencias alélicas y genotípicas de los polimorfismos rs6265
y rs7934165 del gen BDNF en la población de estudio y en cada uno de los
grupos divididos por la composición corporal.
4.- Determinar la asociación de los polimorfismos rs6265 y rs7934165 del gen
BDNF con medidas antropométricas vinculadas con obesidad, en los fenotipos
de obesidad de la población de estudio.
40
6. MATERIALES Y MÉTODOS
6.1. Diseño del estudio
Es un estudio descriptivo, transversal y correlacional; parte de una
investigación previa realizada entre marzo del 2014 y julio 2015 (Escamilla-
Méndez, 2016). Los sujetos de estudio fueron mujeres postmenopáusicas
residentes del área metropolitana de Monterrey, Nuevo León, México. El tipo de
muestreo fue a conveniencia, por factibilidad. Las participantes fueron mujeres
aparentemente sanas. Se excluyeron todas aquellas que cursaran algún tipo de
patología o alteración biológica que interfiriera con las variables fenotípicas, como
infecciones agudas al momento de la toma de muestras biológicas,
enfermedades crónicas como síndrome de ovario poliquístico,
hiperparatiroidismo, fibrosis quística, hipogonadismo, enfermedad hepática
crónica, diagnóstico de osteopenia, enfermedades óseas o bien con menopausia
prematura y falta de información en la captura de datos. Aquellas pacientes con
prescripción médica para fármacos fueron eliminadas. Adicionalmente, se
eliminaron de la base de datos todas las pacientes que no contaran con
expediente completo, falta de material genético y aquellas que decidieron
retirarse del estudio.
La parte experimental de esta investigación se llevó a cabo en dos centros
de investigación. La primera parte de la investigación se desarrolló en el Centro
de Investigación en Nutrición y Salud Pública (CINSP) de la Facultad de Salud
Pública y Nutrición (FaSPyN) de la Universidad Autónoma de Nuevo León
(UANL). La segunda parte de la investigación se llevó a cabo en el Laboratorio
de Genómica del Metabolismo Óseo, en el Instituto Nacional de Medicina
Genómica (INMEGEN). El proyecto fue aprobado por el Comité de Investigación
de la Facultad de Salud Pública y Nutrición de la UANL (número de registro 15-
FaSPyN-SA-15. P.). Previo consentimiento informado de todas las participantes
en concordancia con el Reglamento de la Ley General de Salud en Materia de
Investigación para la Salud (Secretaría de Salud, 1998).
41
6.2. Estrategia General
Se utilizó una base de datos realizada previamente (Escamilla-Méndez
2016). Se contó con un total de 202 expedientes, de los cuales se seleccionaron
aquellos que cumplieran con todos los criterios de inclusión. Además de tener los
datos completos de composición corporal, antropometría y muestra de ADN
disponible en el biobanco del laboratorio de genética y biología molecular. Para
cumplir con los objetivos establecidos, se siguió la estrategia general que se
muestra en la figura 4.
La genotipificación de los polimorfismos rs6265 y rs7934165 del gen de BDNF se
llevó a cabo mediante la técnica de reacción en cadena de la polimerasa en
tiempo real (qPCR), utilizando sondas TaqMan®. Para los análisis estadísticos
se utilizaron softwares de bioinformática como Arlequin suite 3.5 (Excoffier, L. &
Lischer, H.E. L., 2010) y PGDspider (Excoffier, L. & Lischer, H.E. L.2010, 2012)
para el procesamiento y obtención de datos.
42
Figura 4. Estrategia general del trabajo
Base de datos
Objetivo 1. Análisis de
antropometría y
composición corporal
Biobanco del laboratorio
de genética
Discriminación alélica de
la población
Análisis de la población
con softwares de
bioinformática
Objetivo 2. Estratificación
de la población de
acuerdo con su fenotipo
de obesidad
Objetivo 3. Análisis de
las frecuencias alélicas
Integración de la información a las
bases de datos
Objetivo general.
Análisis de asociación
genética mediante
estadística inferencial
43
6.3. Obtención de la información
La selección de los individuos se realizó a partir de las bases de datos de
proyectos previos. Se incluyeron mujeres con expediente completo de estudios
de composición corporal, antropometría y ADN disponible del biobanco del
laboratorio Genética y Biología Molecular del Centro de Investigación en Nutrición
y Salud Pública (CINSP).
6.4. Estudios y variables composición corporal
Las mediciones antropométricas y de composición corporal fueron
realizadas previamente (Escamilla-Méndez, 2016). La metodología usada se
describe a continuación.
6.5. Metodología para las mediciones antropométricas
La toma de talla en las pacientes fue realizada mediante el uso un
estadiómetro de la marca SECA®, siguiendo protocolos estandarizados; se
colocó a la paciente con los talones, glúteos, espalda y región occipital en
contacto con el plano vertical del estadiómetro. Seguido de esto, se pidió que
realizaran una respiración profunda al momento de realizar la medida para
compensar el acortamiento de los discos intervertebrales, esto manteniendo la
cabeza del paciente en plano de Frankfurt viendo hacia el frente. Los brazos
permanecieron en descanso, relajados a los costados del cuerpo, posteriormente
se tomó la escuadra y se emparejó al vertex (punto superior de la cabeza en el
plano medio sagital). El registro de la talla se realizó tres veces para evitar errores
y sesgos.
Las mediciones de peso se llevaron a cabo con el equipo Tanita® BC554.
Se colocó el equipo en una superficie plana estable, una vez el equipo iniciado
se esperó a marcar valores de cero kilogramos, seguido de esto se colocó a la
participante en el centro de la superficie en posición estándar erecta de espaldas
cuidando que su cuerpo no estuviera en contacto con nada para distribuir el peso
44
de manera equivalente en ambos pies, esto, cuidando que ambas extremidades
superiores permanecieran en descanso sin ejercer algún tipo de presión.
El índice de masa corporal (IMC) se obtuvo de las mediciones de peso,
expresado en kilogramos, sobre la estatura en metros, dividiendo el peso en
kilogramos entre el cuadrado de la altura de la persona en metros (kg/m2).
��� = � ��� � 2
La circunferencia de cintura se midió según los criterios establecidos por
la OMS: con una cinta de acero flexible de 1.5 metros de largo calibrada en
centímetros con graduación milimétrica marca Lufkin, se procedió a colocarla a
la altura de la mitad de la axila, en el punto que se encuentra entre la parte inferior
de la última costilla falsa flotante unida a la vértebra 11 y la parte más alta de la
cadera en espiración.
La medición de la circunferencia de cadera se realizó con el mismo
protocolo previamente mencionado con la cinta de acero flexible marca Lufkin, a
nivel de los trocánteres mayores, que coinciden con la sínfisis pubiana.
El índice cintura-cadera (ICC) fue calculado dividiendo la circunferencia en
cintura en centímetros, entre la circunferencia de cadera también en centímetros.
��� = �� � �� �
45
6.6. Identificación de los fenotipos de obesidad
Con los valores antropométricos identificados en cada una de las
pacientes en la base de datos, se utilizó la talla en metros y el peso en kilogramos
para la obtención del índice de masa corporal. Se procedió a clasificar a la
población de acuerdo con su IMC con los criterios de la OMS: sujetos normales,
con sobrepeso y obesidad (tabla V).
Tabla V. Fenotipos de acuerdo al Índice de Masa Corporal
Clasificación Principales puntos de corte en IMC (kg/m2)
Normal 18.50 - 24.99
Sobrepeso 25.00 - 29.99
Obesidad ≥30.00
IMC: Índice de masa corporal, Fuente: OMS, 2016
6.7. Metodología para la obtención de la composición corporal
La determinación de los valores de composición corporal se obtuvo de los
expedientes de las participantes. La técnica utilizada para la obtención de estos
valores fue la absorciometría dual de rayos X (DXA) por medio del densitómetro
Lunar PRODIGY Advance, modelo 301264, General Electric. Las variables de
composición corporal obtenidas fueron porcentaje de grasa total, tronco, androide
y ginoide, kilogramos de masa grasa en tronco, kilogramos de masa grasa
androide y ginoide, kilogramos de masa grasa y masa magra. Se les pidió a las
participantes despojarse de todo tipo de objetos metálicos de su persona y portar
ropa ligera ajustada y un ayuno de tres horas previas como mínimo previo a las
mediciones por DXA. La medición capturada fue de cuerpo completo, en la cual
la participante se encontraba recostada boca arriba en el plano medio de la mesa
del equipo, en posición anatómica de cúbito supino, extremidades superiores
extendidas a lo largo del cuerpo, palmas relajadas en la superficie de la mesa,
piernas extendidas con los tobillos sujetados por cintas ajustables y la punta de
los dedos apuntando hacia arriba. Al momento de la medición la paciente
46
permaneció inmóvil relajada con los ojos cerrados hasta que terminara de
trabajar el equipo.
6.8. Determinaciones y variables genéticas
6.8.1. Extracción de sangre
El material genético se obtuvo del biobanco del laboratorio de genética y
biología molecular del CINSP. Las respectivas muestras son procedentes de
investigaciones previas y obtenidas a partir de 5 ml de sangre total periférica de
las participantes. La sangre fue extraída por personal capacitado siguiendo los
protocolos establecidos para realizar flebotomías.
6.8.2. Extracción de ADN genómico
Después de la flebotomía, las muestras de sangre fueron procesadas, la
obtención del material genético se realizó a partir de células leucocitarias por el
método de buffer de lisis TSNT (Sambrook & Russell, 2006). Para ochenta de las
muestras se utilizó el Kit QIAamp DNA Blood Midi/Maxi (QIAGEN, USA).
El protocolo para extracción de ADN tiene sus principios fundamentados
en una serie de pasos básicos, los cuales en orden son: la disrupción o lisis
celular que consiste en la ruptura de la bicapa lipídica de las membranas
celulares por medio de tratamientos con detergentes, agentes quelantes
(secuestran cationes que estabilizan la membrana) y soluciones hipotónicas. La
eliminación de proteínas e inactivación de nucleasas celulares como DNAsas,
RNAsas, separación de los ácidos nucleicos de los restos celulares por
precipitación con alcoholes, lavado para eliminar restos de reactivos y solventes
y resuspensión del material genómico (Tan & Yiap, 2009). El método empleado
es una modificación del propuesto en el manual “Gentra Puregen Handbook”
(2014).
47
6.8.3. Cuantificación de los ácidos nucleicos
Para observar la calidad y la concentración de los ácidos nucleicos
extraídos, se utilizó el equipo NanoDrop 2000 de Thermo Scientific®, siguiendo
el protocolo establecido, brevemente se describe:
Tomar 1 μL de agua desionizada para limpiar el lente y bajar el brazo del
equipo para su calibración. Posteriormente, limpiar ambas superficies ópticas con
un paño kimwipes®. Elegir la constante adecuada para medición en este caso
ácidos nucleicos. Depositar 1 μL de muestra de ácidos nucleicos en la superficie
óptica inferior, cerrar el brazo y seleccionar la opción “medir” en el software. El
equipo cuantificará de manera automática las concentraciones de ácidos
nucleicos y las relaciones de pureza. Una vez terminada la medición revisar la
salida espectral y verificar los valores de la relación 260/280, 260/230 y los
nanogramos de producto genómico (Desjardins & Conklin, 2010).
6.8.4. Diluciones y concentraciones de los ácidos nucleicos
Una vez cuantificadas las muestras de ácidos nucleicos se analizó la
cantidad de nanogramos por microlitro y el volumen en el que se encontraban
para realizar las diluciones y llevarlas a un volumen de 5 nanogramos por
microlitro. Se utilizó el software office Excel 2016 y la siguiente fórmula:
� � �ó � = � � �ó �
48
6.8.5. Genotipificación de los SNPs
Se trabajó con dos SNPs para analizar la asociación con las variables de
composición corporal (tabla VI). Se utilizó la técnica qPCR con el equipo
QuantStudio 7 Flex™ y el software versión 1.3 (Applied Biosystems, Foster City,
CA, EE.UU.) para la obtención de las frecuencias alélicas y genotipos.
Tabla VI. Características generales de los polimorfismos analizados en BDNF SNP Alelo Localización Región genética
rs6265 G/A 11:27679916 Exón 2
rs7934165 A/G 11:27731983 Intrón 1-2
BDNF= Brain Derived Neurotrophic Factor, por sus siglas en inglés. Modificado de: Marti et al., 2008.
6.8.6. Técnica de la reacción en cadena de la polimerasa en tiempo real
Para la obtención de las frecuencias alélicas y genotípicas de las muestras
de ADN se utilizó la técnica de qPCR. Para la discriminación alélica se utilizaron
sondas Taqman®, con las cuales se detectó el cambio de base en cada uno de
los alelos mediante los fluoróforos VIC® y FAM® en cada una de las muestras
de ADN, como se muestra en la tabla VII.
Tabla VII. Sondas de hibridación para los polimorfismos del gen BDNF rs Alelos Localización Secuencia VIC/FAM
rs6265 G>A 11:27658369 CATCCAACAGCTCTTCTATCA[G/A]GTGTTCGAAAGTGTCAGCCAA
rs7934165 A>G 11:27710436 AGCTAGTATCCAGAGTTCTGA[A/G]TTGGTGCAAAGACACAAAGG
BDNF= Brain Derived Neurotrophic Factor, por sus siglas en inglés. Tomado de: TaqMan® Assays (Applied Biosystems®).
49
6.8.6.1 Principio de las sondas Taqman
Las sondas TaqMan® están constituidas por un fluoróforo unido
covalentemente al extremo 5' de un oligonucleótido, y un anulador (quencher)
que absorbe la fluorescencia en el extremo 3'. El quencher inhibe la fluorescencia
del fluoróforo cuando es excitado por la fuente de luz del termociclador. Mientras
que el fluoróforo y el quencher estén próximos, no habrá señal fluorescente. Las
sondas TaqMan® están diseñadas para hibridar con una región específica de
ADN que va a ser amplificada por un par de oligonucleótidos específicos. A
medida que la Taq polimerasa sintetiza la cadena en sentido 3'-5', la actividad
exonucleasa 5'-3' de esta misma enzima degrada la sonda TaqMan® ya
hibridada al ADN (figura 5). La degradación de la sonda separa el fluoróforo del
quencher, permitiendo así la emisión de fluorescencia. La fluorescencia
detectada es directamente proporcional a la cantidad de fluoróforo liberado y, por
lo tanto, a la cantidad de ADN de interés presente en el producto de PCR
(Holland, Abramson, Watson & Gelfand, 1991).
Figura 5. Principio de discriminación alélica por sondas de hibridación Taqman®. Modificado de Thermofisher scientific, 2018.
50
6.8.7. Materiales, reactivos y manejo del equipo
Se hicieron cálculos para 105 reacciones por placa, como puede
observarse en la tabla VIII.
Tabla VIII. Reactivos y concentraciones para
la reacción en cadena de la polimerasa
Reactivos Concentración Volumen Master mix 2x 4.75 µL Sonda 40x 0.25 µL ADN genómico 5 ng/µl 5 µL Volumen final 10 µL
Antes de procesar las muestras en el termociclador, se procedió a preparar
los reactivos y materiales como se muestra en la tabla IX. Se preparó un
Mastermix (525 µL para 105 reacciones) y se dividió entre ocho que es el número
de tubos eppendorf en tira colocando 65.62 µL en cada tubo. Seguido de esto se
procedió a utilizar la pipeta multicanal y se tomaron 5 µL para dispensarlos en la
placa de qPCR con 96 pocillos. Se colocó mastermix en las 12 filas de la placa,
y se agregó 1 µL de producto genómico en cada uno de los pocillos, considerado
6 controles a lo largo de toda la placa. Una vez llena la placa se procedió a sellarla
con una cubierta especial adhesiva para evitar contaminación.
Tabla IX. Materiales para la Reacción en Cadena de la Polimerasa Materiales
Paños (Kimwipes®) PCR-Cooler (Eppendorf®)
Micropipeta Raine (0 - 10 μL) Placas de 96 pocillos (Applied Biosystem®)
Micropipeta Raine (10 – 100 μL) Puntillas para micropipeta (10 μL)
Pipeta multicanal eppendorf Puntillas para micropipeta (100 μL)
Tubos eppendorf de 1.5 ml Puntillas para pipeta multicanal
Tubos en tira eppendorf de 0.2mL Vórtex
Espectrofotómetro NanoDrop 2000 UV-
Vis Thermo Fisher scientific
Cubierta adhesiva para placas de qPCR
MicroAmp optical adhesive film (Applied
Biosystem®)
Microcentrífuga Termociclador QuantStudio™
51
Se procedió a preparar la plantilla en el software Quantstudio versión 1.3.
(AppliedBiosystems, Foster City, CA) con sistema operativo Windows, se
configuraron las condiciones de temperatura, ciclos, SNP y reporteros
VIC®/FAM® para correr el experimento (Tabla X).
Tabla X. Condiciones de temperatura de la reacción
Etapa Número de ciclos Tiempo Temperatura (°C)
I 1 10 minutos 95
II 45
15 segundos 95
60 segundos 60
III 1 30 segundos 60
°C= Grados Celsius
Una vez terminado el experimento se obtuvo la discriminación alélica de
cada muestra de ADN por medio de fluorescencia (Figuras 6 y 7). Los datos
fueron exportados a Excel para el análisis estadístico.
Figura 6. Dispersión de amplificación y discriminación alélica del SNP rs6265. Los gráficos fueron generados a partir del software QuantStudio™ v1.3. Los genotipos homocigotos G/G = azules, los homocigotos recesivos A/A =rojo, heterocigotos G/A = verde
52
Figura 7. Dispersión de amplificación y discriminación alélica del SNP rs7934165. Los gráficos fueron generados a partir del software QuantStudio™ v1.3. Los genotipos homocigotos A/A = azules, los homocigotos G/G = rojo, heterocigotos A/G = verdes.
6.8.8. Frecuencias alélicas y genotípicas
Al término de la fase experimental, los datos fueron procesados en el
programa Excel para la generación de una nueva base de datos con los genotipos
de la población de estudio. Las variantes alélicas de BDNF están conformadas
por dos alelos, uno de cada progenitor. El alelo de mayor frecuencia es
denominado ancestral, mientras que el de menor frecuencia se denomina MAF
(Minor Allele Frequency, por sus siglas en inglés). Para la obtención de los
porcentajes y frecuencias alélicas y genotípicas de la población se procesaron
los datos en Excel. Posteriormente, la información fue importada al procesador
de texto lineal sublime para generar un archivo en formato de texto. Con apoyo
del software PGDspider se cambió el formato del archivo para ser procesado en
el software de genética poblacional Genepop 4.2 (Rousset, 2008), para la
obtención de las frecuencias alélicas y genotípicas de los SNPs rs6265 y
rs7934165.
53
6.8.9.- Equilibrio de Hardy Weinberg
Con la obtención de las frecuencias alélicas los datos fueron sometidos a
la prueba estadística del equilibrio de Hardy Weinberg (HWE) para comparar la
población contra una población hipotética y así observar que la población cumplía
con este equilibrio. Para la obtención del HWE se procedió a elaborar un archivo
en formato Excel con los genotipos codificado. Con programa de bioinformática
PGDspider se convirtió el formato para su análisis posterior.
6.8.10.- Codificación de variables y modelos de herencia
Los genotipos almacenados en las bases de datos fueron codificados de
acuerdo con la metodología de Iniesta, Guinó & Moreno (2005). Se obtuvieron
los modelos de herencia aditivo, recesivo y dominante para observar el efecto
que se presentaba en cada una de las variables. El modelo de herencia aditivo
analiza las diferencias de manera individual entre cada genotipo con respecto a
las variables dependientes asociadas a composición corporal, mientras que en
los modelos recesivo o dominante se evalúa el efecto de cada alelo por separado.
6.8.11.- Análisis y pruebas estadísticas
Una vez completada la base de datos, se procedió a analizar los genotipos
de rs6265 y rs7934165 en los tres modelos de herencia, con la finalidad de
observar su asociación con variables de composición corporal. Los análisis
estadísticos se realizaron con el software SPSS versión 23. Se utilizó estadística
descriptiva para la obtención de las características generales de la población
(media, desviación estándar y frecuencia). Las asociaciones de modelos de
herencia aditivo recesivo y dominante con variables dependientes de
composición corporal se obtuvieron por medio de la prueba estadística de
regresión lineal generalizada. Para disminuir errores y sesgos con los valores
obtenidos, se utilizaron las variables de edad e índice de masa corporal como
variables de ajuste en la prueba de modelos lineales en los tres modelos de
herencia. Se consideraron estadísticamente significativos los valores de
probabilidad P menores a 0.05.
54
7. RESULTADOS
7.1.- Características antropométricas y de composición corporal del grupo
de mujeres postmenopáusicas
El tamaño de muestra analizado fue de 182 pacientes con una edad
promedio de 57 años. Las características generales de la población se muestran
en la tabla XI.
Tabla XI. Características generales de la población estudiada
Variable Media ± DE Rango Edad (años) 56.99 ± 6.94 43.20 - 79.84 Talla (m) 1.55 ± 0.06 1.40 - 1.72 Peso (kg) 69.01 ± 10.82 47.60 - 98.08 IMC (kg/m²) 28.84 ± 4.52 18.45 - 43.18 Circunferencia de cintura (cm) 96.05 ± 10.88 71.30 - 132.45 Circunferencia de cadera (cm) 106.18 ± 9.30 86.45 - 138.90 ICC 0.90 ± 0.06 0.74 - 1.09 Masa grasa (kg) 30.90 ± 7.95 13.05 - 50.44 Masa magra (kg) 36.80 ± 4.21 27.82 - 50.60 CMO (kg) 2.28 ± 0.36 1.25 - 3.12 MLG (kg) 38.51 ± 4.32 29.35 - 52.67 Grasa corporal total (%) 42.95 ± 5.27 24.41 - 55.56 Grasa corporal en tejido (%) 44.86 ± 5.72 25.50 - 58.20 Grasa en tronco (%) 46.81 ± 6.05 26.20 - 58.40 Grasa región androide (%) 51.77 ± 6.14 28.10 - 63.40 Grasa región ginoide (%) 50.66 ± 5.18 30.30 – 63.00 N=182; IMC= Índice de Masa Corporal; ICC= Índice Cintura Cadera, CMO= Contenido Mineral Óseo, MLG= Masa Libre de Grasa, DE= Desviación estándar.
55
7.2.- Clasificación de la población por fenotipos de obesidad
Al dividir a la población según IMC, se observó que las mujeres con un
IMC normal (18.5-24.9 kg/m2) representaron un 19.78% de la población, mientras
que el 41.20% tenía sobrepeso (25-29.9 kg/m2) y 39.01% de las muestras
obesidad (≥30 kg/m2). Una vez estratificada la población, se procedió a realizar
la prueba estadística de homogeneidad de varianzas para confirmar que se
cumple con el supuesto de normalidad y con ello realizar las pruebas
paramétricas para el análisis de resultados. Las variables generales y de
composición corporal se sometieron a la prueba estadística ANOVA de un factor,
se encontraron diferencias significativas (P <0.05) como se muestra en la tabla
XII. La talla presentó diferencias en el grupo normal comparando con sobrepeso
y obesidad, la circunferencia de cadera y cintura presentaron diferencias
significativas entre los tres grupos, todas las variables de composición corporal
mostraron diferencias significativas entre los tres grupos de fenotipos de
obesidad.
Tabla XII. Características generales en los grupos de estudio
Peso Normal (n= 36)
Sobrepeso (n=75)
Obesidad (n= 71)
Edad (años) 55.11 ± 5.81 57.32 ± 6.75 57.69 ± 7.55
Talla (m) 1.58 ± 0.05 1.55 ± 0.06 1.55 ± 0.05
Peso (kg) 57.21 ± 4.65 65.02 ± 6.18* 79.22 ± 7.64*
Circunferencia cintura (cm) 84.16 ± 5.70 92.97 ± 5.74* 105.47 ± 9.12*
Circunferencia de cadera (cm) 96.36 ± 4.71 102.62 ± 5.24* 115.07 ± 6.49*
ICC 0.87 ± 0.05 0.90 ± 0.06 0.91 ± 0.07
Masa grasa (kg) 21.63 ± 4.08 28.11 ± 4.06* 38.54 ± 5.15* Masa magra (kg) 33.95 ± 2.93 35.54 ± 3.18* 39.58 ± 4.15* CMO (kg) 2.10 ± 0.24 2.20 ± 0.34 2.45 ± 0.37* MLG (kg) 35.59 ± 3.12 37.23 ± 3.41* 41.31 ± 4.15* Grasa corporal total (%) 36.82 ± 5.24 41.98 ± 3.20* 46.93 ± 3.36* Grasa corporal en tejido (%) 38.57 ± 5.57 43.71 ± 3.90* 49.24 ± 3.54* Grasa en tronco (%) 39.69 ± 6.21 46.19 ± 4.00* 51.07 ± 3.82* Grasa región androide (%) 45.21 ± 7.25 51.48 ± 4.42* 55.35 ± 4.10* Grasa región ginoide (%) 47.01 ± 6.20 49.57 ± 3.59* 53.61 ± 4.53* Los datos se muestran como medias y desviaciones estándar. N= 182, ICC= Índice cintura cadera, CMO= Contenido mineral óseo, MLG= Masa libre de grasa. Las diferencias significativas con el grupo normal (p < 0.05) se muestran con asteriscos.
56
7.3.- Frecuencias alélicas y genotípicas de los polimorfismos rs6265 y
rs7934165 del gen BDNF en el grupo de estudio
La tabla XIII muestra las frecuencias alélicas y genotípicas de los
polimorfismos analizados del gen BDNF. En ambos polimorfismos, la población
de estudio estaba en equilibrio con respecto a la ecuación de Hardy-Weinberg (P
> 0.05). En el rs6265 el alelo de menor frecuencia fue A (13.46%), mientras que
el genotipo con menor porcentaje fue el homocigoto AA (1%). En rs7934165 el
alelo de menor frecuencia fue G (37%) y el genotipo menos frecuente fue el
homocigoto GG (15.38%).
Tabla XIII. Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF
SNPS rs6265 rs7934165 n % n %
Genotipo Alelo
GG 135 74.17 AA 75 41.21 GA 45 24.72 AG 79 43.41 AA 2 1.09 GG 28 15.38 G 315 86.54 A 229 62.91 A 49 13.46 G 135 37.09
P* 0.408 0.346 *Equilibrio de Hardy-Weinberg p>0.05
57
Las frecuencias alélicas y genotípicas de rs6265 y rs7934165 en los
grupos separados según el IMC se sometieron a las pruebas estadísticas de chi2
y prueba exacta de Fisher (Tabla XIV). No se observaron diferencias estadísticas
en las proporciones de los alelos y genotipos en ambos SNPs en los grupos de
sobrepeso y obesidad. En el rs6265, el alelo A presentó con menor porcentaje y
frecuencia en los tres fenotipos de obesidad con respecto al otro alelo. Además,
se puede observar que este alelo es menos frecuente en el grupo con obesidad
seguido del grupo con sobrepeso (aunque no hay diferencia estadística).
Comparando los grupos de sobrepeso y obesidad con el normal, el genotipo GA
disminuye su porcentaje en los respectivos grupos. Para el SNP rs7934165, se
presentó el alelo G como el MAF en los tres fenotipos. En los fenotipos normal,
sobrepeso y obesidad el genotipo GG fue el de menor frecuencia, encontrando
un mayor porcentaje de éste en el grupo sobrepeso seguido del grupo obesidad.
Tabla XIV. Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF en los grupos de estudio. SNP Genotipos
y alelos Peso Normal
(n = 36) Sobrepeso
(n = 75) Obesidad (n = 71) P
rs6265, n (%) GG 25 (69.44) 55 (73.33) 55 (77.46) 0.84 GA 11 (30.55) 19 (25.33) 15 (21.12)
AA 0 (0) 1 (1.33) 1 (1.40) G 61 (84.72) 129 (86) 125 (88.03)
0.77 A 11 (15.28) 21 (14) 17 (11.97) rs7934165, n (%) AA 13 (36.11) 31 (41.33) 31 (43.66)
0.74 AG 18 (50) 32 (42.66) 29 (40.84) GG 5 (13.88) 12 (16) 11 (15.49)
A 44 (61.11) 94 (62.67) 91 (64.08) 0.90 G 28 (38.89) 56 (37.33) 51 (35.92)
58
7.4.- Determinación de la asociación de los polimorfismos rs6265 y
rs7934165 del gen BDNF con los fenotipos de obesidad del grupo de estudio
Los análisis de asociación de los SNPs del gen BDNF con variables
antropométricas y de composición corporal se realizaron con la prueba
estadística de modelos lineales generalizados, bajo los modelos de herencia
aditivo, recesivo y dominante. El análisis estadístico se llevó a cabo mediante el
ajuste de las variables edad e IMC para estandarizar a la población con los
valores ya mencionados, esto con la finalidad de obtener resultados más
precisos. Los resultados se muestran en las tablas XV y XVI. Al evaluar la
asociación del rs6265 con las variables de estudio, se observó una asociación
con circunferencia de cadera (Tabla XV), mientras que con los otros modelos de
herencia no hubo asociaciones significativas.
Por otro lado, con el análisis del SNP rs7934165 se encontraron
tendencias (p > 0.05 - < 0.1) en el modelo de herencia recesivo con masa grasa
en kg, porcentaje de grasa corporal por región, tejido y androide (Tabla XVI).
59
Tabla XV. Regresión lineal del polimorfismo rs6265 del gen BDNF con variables antropométricas
Variables
β (95% IC) Pa Modelo GG (n= 135)
GA (n= 45)
AA (n= 2)
Peso (kg) 70.56 ± 11.27 68.07 ± 10.72 75.95 ± 17.25 -0.54 (-2.12 - 1.03) 0.50 Aditivo 0.12 (-6.99 7.23) 0.97 Recesivo -0.63 (-2.32 1.06) 0.47 Dominante
Cintura (cm) 96.02 ± 10.16 95.40 ± 11.88 104.55 ± 23.61 0.67 (-0.98 2.34) 0.42 Aditivo 1.81 (-5.65 9.27) 0.63 Recesivo 0.67 (-1.11 2.45) 0.46 Dominante
Cadera (cm) 106.52 ± 9.44 105.09 ± 8.89 104.60 ± 8.69 -0.72 (-2.21 0.77) 0.34 Aditivo
-6.83 (-13.44 -0.21) 0.04 Recesivo -0.43 (-2.03 1.16) 0.59 Dominante
ICC 0.89 ± 0.09 0.90 ± 0.06 0.99 ± 0.14 0.01 (-0.01 0.04) 0.26 Aditivo 0.07 (-0.04 0.20) 0.20 Recesivo 0.01 (-0.02 0.04) 0.37 Dominante
Masa grasa (kg) 31.34 ± 8.00 29.49 ± 7.81 34.90 ± 12.13
-0.47 (-1.58 0.64) 0.41 Aditivo -0.27 (-5.26 4.71) 0.91 Recesivo -0.52 (-1.71 .67) 0.39 Dominante
Masa magra (kg) 36.90 ± 4.26 36.37 ± 4.15 38.63 ± 5.03
-0.02 (-1.04 0.99) 0.97 Aditivo 0.28 (-4.28 4.86) 0.90 Recesivo -0.04 (-1.04 1.13) 0.94 Dominante
CMO (kg) 2.31 ± 0.37 2.21 ± 0.30 2.41 ± 0.08 -0.03 (-0.12 - 0.06) 0.55 Aditivo 0.10 (-0.33 0.54) 0.63 Recesivo -0.04 (-0.14 0.06) 0.45 Dominante
Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta. ICC= Índice Cintura Cadera, CMO= Contenido Mineral Óseo
60
Tabla XV. Regresión lineal del polimorfismo rs6265 del gen BDNF con variables antropométricas (continuación)
Variables
β (95% IC) Pa Modelo GG
(n= 135) GA
(n= 45) AA
(n= 2)
MLG (kg) 38.64 ± 4.44 37.99 ± 4.12 39.87 ± 4.09 -0.12 (-1.17 - 0.92) 0.81 Aditivo -0.11 (-4.83 4.59) 0.96 Recesivo -0.14 (-1.26 0.98) 0.81 Dominante
Grasa corporal (%)
43.17 ± 5.28 42.06 ± 5.36 44.01 ± 4.55 -0.47 (-1.58 - 0.65) 0.41 Aditivo -1.33 (-6.33 3.67) 0.60 Recesivo -0.46 (-1.65 0.74) 0.45 Dominante
Grasa en tejido (%)
45.10 ± 5.82 44.12 ± 5.64 46.80 ± 5.51 -0.25 (-1.50 - 1.00) 0.70 Aditivo -0.58 (-6.20 5.03) 0.84 Recesivo -0.25 (-1.59 1.09) 0.71 Dominante
Grasa en tronco (%)
47.25 ± 5.99 45.49 ± 6.31 50.15 ± 7.00 -0.73 (-2.07 - 0.60) 0.28 Aditivo 0.78 (-5.24 6.81) 0.80 Recesivo -0.89 (-2.32 0.55) 0.23 Dominante
Grasa androide (%)
52.09 ± 5.97 50.51 ± 6.63 56.25 ± 9.40 -0.61 (-2.13 - 0.90) 0.43 Aditivo 2.21 (-4.59 9.02) 0.52 Recesivo -0.83 (-2.45 0.79) 0.32 Dominante
Grasa ginoide (%)
50.76 ± 5.32 50.54 ± 5.14 49.55 ± 1.20 0.02 (-1.37 - 1.41) 0.98 Aditivo -2.73 (-8.96 3.50) 0.39 Recesivo 0.18 (-1.31 1.67) 0.82 Dominante
Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.
61
Tabla XVI. Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables antropométricas
Variables
β (95% IC) Pa Modelo AA
(n= 75) AG
(n= 79) GG
(n= 28)
Peso (kg) 70.78 ± 11.31 68.75 ± 10.65 71.52 ± 12.04 -0.05 (-1.10 1.00) 0.93 Aditivo
0.60 (-1.45 2.65) 0.57 Recesivo -0.42 (-1.93 1.08) 0.58 Dominante
Circunferencia de cintura (cm)
96.14 ± 10.35 94.91 ± 10.53 98.38 ± 12.11 0.23 (-0.86 - 1.33) 0.68 Aditivo 1.24 (-0.91 3.39) 0.26 Recesivo -0.18 (-1.76 1.40) 0.82 Dominante
Circunferencia de cadera (cm)
106.35 ± 9.11 105.67 ± 9.34 106.86 ± 9.76 -0.13 (-1.11 - 0.86) 0.80 Aditivo -0.32 (-2.25 1.61) 0.75 Recesivo -0.09 (-1.51 1.33) 0.90 Dominante
ICC 0.90 ± 0.06 0.88 ± 0.11 0.92 ± 0.06 0.001 (-0.01 - 0.01) 0.93 Aditivo
0.02 (-0.02 0.05) 0.27 Recesivo -0.009 (-0.03 - 0.02) 0.49 Dominante
Masa grasa (kg)
31.16 ± 7.73 29.98 ± 7.83 32.81 ± 8.95 0.35 (-0.38 - 1.07) 0.36 Aditivo 1.38 (-0.04 2.81) 0.06 Recesivo -0.03 (-1.08 1.03) 0.96 Dominante
Masa magra (kg)
37.11 ± 4.61 36.63 ± 4.08 36.36 ± 3.64 -0.43 (-1.09 - 0.24) 0.21 Aditivo -0.84 (-2.15 0.47) 0.21 Recesivo -0.43 (-1.39 0.53) 0.38 Dominante
CMO (kg) 2.30 ± 0.37 2.26 ± 0.35 2.34 ± 0 .35 0.03 (-0.03 - 0.09) 0.36 Aditivo
0.08 (-0.05 0.20) 0.21 Recesivo 0.02 (-0.07 0.11) 0.69 Dominante
Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.
62
Tabla XVI. Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables antropométricas (continuación)
Variables
β (95% IC) Pa Modelo AA
(n= 75) AG
(n= 79) GG
(n= 28)
MLG (Kg) 38.84 ± 4.80 38.31 ± 4.15 38.06 ± 3.62 -0.42 (-1.11 - 0.26) 0.23 Aditivo -0.82 (-2.17 .54) 0.24 Recesivo
-0.43 (-1.43 0.56) 0.39 Dominante
Grasa corporal (%) 43.00 ± 5.00 42.25 ± 5.58 44.40 ± 5.06 0.34 (-0.39 - 1.07) 0.36 Aditivo 1.28 (-0.15 2.72) 0.08 Recesivo 0.01 (-1.05 1.08) 0.98 Dominante
Grasa en tejido (%) 45.07 ± 5.39 44.06 ± 6.19 46.59 ± 5.26 0.35 (-0.48 - 1.17) 0.41 Aditivo 1.53 (-0.08 3.13) 0.06 Recesivo -0.11 (-1.29 1.08) 0.86 Dominante
Grasa en tronco (%) 47.04 ± 5.69 46.06 ± 6.70 48.49 ± 5.22 0.35 (-0.53 - 1.24) 0.43 Aditivo 1.46 (-0.27 3.18) 0.10 Recesivo -0.05 (-1.32 1.22) 0.94 Dominante
Grasa androide (%) 51.73 ± 5.76 51.03 ± 6.84 53.73 ± 5.04 0.57 (-0.43 - 1.57) 0.27 Aditivo 1.84 (-0.11 3.79) 0.06 Recesivo 0.19 (-1.25 1.63) 0.80 Dominante
Grasa ginoide (%) 50.79 ± 4.72 50.16 ± 5.48 51.93 ± 5.77 0.37 (-0.55 - 1.29) 0.43 Aditivo 1.17 (-0.62 2.97) 0.20 Recesivo 0.13 (-1.19 1.45) 0.85 Dominante
Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.
63
En la tabla XVII y XVIII se muestran los análisis de asociación de los SNPs
y las variables de estudio con antropometría y composición corporal ajustando
por edad e IMC en los grupos divididos por IMC. En el rs6265, debido a que la
muestra del genotipo AA era mínima, se optó por comparar GG vs GA+AA, ya
que en el grupo con IMC normal no se encontraron individuos con este genotipo,
y en sobrepeso y obesidad se encontró un solo individuo por grupo. Por su parte,
con el rs7934165 se utilizó el modelo de herencia aditivo.
Con el rs6265, el grupo con peso normal presentó asociaciones
estadísticamente significativas con las variables peso, circunferencia de cadera,
contenido mineral óseo y una tendencia en masa grasa en kilogramos (tabla
XVII). Las mujeres con sobrepeso solo mostraron una tendencia en el porcentaje
de grasa ginoide. No se observaron asociaciones significativas en el grupo con
obesidad.
Por último, con el rs7934165 se mostraron asociaciones significativas en
los grupos sobrepeso y obesidad (Tabla XVIII). Las tendencias en el grupo con
sobrepeso fueron con el peso y en el grupo con obesidad con el porcentaje de
grasa por región, tejido y androide. En participantes con sobrepeso se encontró
un valor significativo en circunferencia de cadera, mientras que en el grupo con
obesidad se mostraron valores significativos en masa grasa y porcentaje de
grasa ginoide.
64
Tabla XVII. Regresión lineal del polimorfismo rs6265 con variables antropométricas en los grupos de estudio por el modelo dominante
Variables
Fenotipo Normal Sobrepeso Obesidad
β (IC) Pa
β (IC) Pa
β (IC) Pa GG
(n=25) GA + AA (n=11)
GG (n=55)
GA + AA (n=20)
GG (n= 55)
GA + AA (n=16)
Peso (kg) 56.86 ± 3.74 59.54 ± 5.49
2.71 (0.18 - 5.24) 0.04 66.71 ± 6.48 63.58 ± 5.16 -1.14 (-3.58 - 1.31) 0.36 80.70 ± 7.85 80.04 ± 8.23 -0.52 (-3.32 - 2.29) 0.72
Cintura (cm) 84.35 ± 5.70 84.00 ± 6.22
1.053 (-1.86 - 3.96) 0.48 93.01 ± 5.90 92.81 ± 5.42 -0.73 (-3.35 - 1.89) 0.59 104.38 ± 8.06 107.07 ±11.01 2.25 (-.60 - 5.11) 0.12
Cadera (cm) 95.33 ± 4.19 98.79 ± 5.32
3.23 (0.81 - 5.65) 0.01 103.35 ± 5.48 100.38 ± 3.72 -1.72 (-3.90 - 0.45) 0.12 114.82 ± 6.81 115.69 ± 5.37 -0.78 (-3.43 - 1.88) 0.57
ICC 0.89 ± 0.06 0.85 ± 0.03
-0.02 (-0.05 - 0.01) 0.22 0.90 ± 0.06 0.92 ± 0.05 0.01 (-.02 - 0.04) 0.64 0.90 ± 0.13 0.92 ± 0.08 0.04 (-.02 - 0.10) 0.20
Masa grasa (Kg)
21.10 ± 3.67 22.79 ± 4.86
1.64 (-0.26 - 3.53) 0.09 28.76 ± 4.23 26.39 ± 3.14 -1.12 (-2.71 - 0.46) 0.16 38.61 ± 5.18 38.34 ± 5.49 -0.13 (-2.12 - 1.86) 0.90
Masa magra (Kg)
33.71 ± 3.08 34.50 ± 2.68
1.02 (-1.04 - 3.09) 0.33 35.69 ± 3.34 35.14 ± 2.84 0.05 (-1.41 - 1.50) 0.95 39.59 ± 4.05 39.312 ± 4.96 -0.32 (-2.14 - 1.50) 0.73
CMO (kg) 2.04 ± 0.24 2.25 ± 0.18
0.17 (0.02 - 0.31) 0.03 2.26 ± 0.36 2.05 ± 0.30 -0.06 (-0.22 - 0.09) 0.44 2.50 ± 0.36 2.39 ± 0.30 -0.06 (-.23 - 0.11) 0.52
MLG (Kg) 35.27 ± 3.25 36.30 ± 2.85
1.15 (-1.03 - 3.34) 0.30 37.42 ± 3.60 36.72 ± 2.94 0.027 (-1.53 -1.58) 0.97 41.41 ± 4.11 40.86 ± 4.84 -0.63 (-2.45 - 1.18) 0.49
Grasa corporal (%)
36.53 ± 5.19 37.47 ± 5.56 0.86 (-1.85 - 3.57) 0.54 42.40 ± 3.40 40.90 ± 2.39 -0.91 (-2.36 - 0.54) 0.22 46.97 ± 3.25 46.92 ± 4.16 -0.11 (-1.76 - 1.53) 0.89
Grasa en tejido (%)
38.18 ± 5.55 39.44 ± 5.81
0.95 (-1.98 - 3.89) 0.53 44.08 ± 4.23 42.73 ± 2.82 -0.77 (-2.63 - 1.08) 0.41 49.28 ± 3.48 49.33 ± 4.13 0.14 (-1.60 - 1.87) 0.88
Grasa en tronco (%)
39.63 ± 5.65 39.84 ± 7.60
0.17 (-3.13 - 3.48) 0.92 46.67 ± 4.24 44.91 ± 3.10 -0.85 (-2.69 - 1.00) 0.37 51.31 ± 3.65 50.40 ± 4.49 -0.28 (-2.13 - 1.56) 0.76
Grasa androide (%)
45.17 ± 6.69 45.31 ± 8.74 0.39 (-4.01 - 4.79) 0.86 51.94 ± 4.57 50.28 ± 3.96 -0.98 (-3.07 - 1.12) 0.36 55.39 ± 3.85 54.63 ± 4.90 0.10 (-1.89 - 2.09) 0.92
Grasa ginoide (%)
46.10 ± 6.57 49.01 ± 5.02
2.15 (-1.39 - 5.69) 0.23 50.13 ± 3.68 48.02 ± 3.03 -1.61 (-3.29 - 0.08) 0.06 53.53 ± 4.44 54.85 ± 4.81 0.80 (-1.49 - 3.09) 0.49
Pa= valor de P ajustado por edad e IMC, IC= intervalo de confianza, β= Beta, MLG= Masa Libre de Grasa, CMO = Contenido Mineral Óseo, ICC = Índice Cintura Cadera.
65
Tabla XVIII. Regresión lineal del polimorfismo rs7934165 con variables antropométricas en los grupos de estudio, modelo aditivo
Variables
Fenotipo
Normal Sobrepeso Obesidad
β(IC) Pa
β(IC) Pa
β(IC) Pa AA
(n= 13)
AG
(n= 18)
GG
(n= 5)
AA
(n= 31)
AG
(n= 32)
GG
(n= 12)
AA
(n=31)
AG
(n= 29)
GG
(n= 11)
Peso (kg) 57.58 ± 3.63 57.38 ± 5.19 59.08 ± 4.80 0.45 (-1.34 - 2.24) 0.62 67.15 ± 7.47 65.00 ± 5.62 63.90 ± 3.52 -1.475(-3.05 - 0.10) 0.07 80.07 ± 9.17 79.78 ± 6.42 84.53 ± 7.11 1.05 (-0.75 - 2.84) 0.25
Cintura (cm) 83.47 ± 4.71 83.71 ± 6.40 88.05 ± 5.61 1.07 (-0.86 - 3.00) 0.28 93.67 ± 6.00 92.31 ± 5.72 92.37 ± 5.23 -1.32 (-3.02 - 0.36) 0.12 104.47 ± 8.62 104.27 ± 8.25 109.65 ±10.82 1.28 (-0.59 - 3.14) 0.18
Cadera (cm) 95.33 ± 3.96 96.89 ± 5.69 97.59 ± 3.30 1.29 (-0.43 - 3.00) 0.14 104.06 ± 5.34 101.56 ± 5.26 101.03 ± 3.93 -1.74 (-3.13 - -0.35) 0.01 113.74 ± 7.59 115.21 ± 5.42 117.46 ± 5.35 1.43 (-0.27 - 3.13) 0.10
ICC 0.88 ± 0.04 0.86 ± 0.05 0.90 ± 0.07 0.000 (-0.02 - 0.02) 0.98 0.90 ± 0.06 0.91 ± 0.06 0.91 ± 0.05 0.002 (-0.02 - 0.02) 0.83 0.92 ± 0.07 0.88 ± 0.17 0.93 ± 0.08 -0.01 (-0.05 - 0.03) 0.76
Masa grasa
(Kg)
21.60 ± 3.49 21.19 ± 4.85 23.24 ± 2.68 0.42 (-0.88 - 1.73) 0.53 28.86 ± 4.66 27.49 ± 3.68 27.81 ± 3.27 -0.80 (-1.83 - 0.23) 0.13 37.90 ± 5.48 37.82 ± 4.58 42.62 ± 4.53 -0.15 (-0.27 - -0.04) 0.01
Masa magra
(Kg)
33.95 ± 3.34 34.00 ± 3.01 33.81 ± 1.93 -0.07 (-1.47 - 1.33) 0.92 36.00 ± 3.65 35.40 ± 3.21 34.71 ± 1.28 -0.68 (-1.61 - 0.26) 0.16 39.73 ± 4.75 39.49 ± 3.82 39.33 ± 4.04 -0.48 (-1.64 - 0.69) 0.43
CMO (kg) 2.03 ± 0.25 2.19 ± 0.21 2.03 ± 0.28 0.06 (-0.04 - 0.16) 0.26 2.28 ± 0.38 2.11 ± 0.33 2.27 ± 0.28 -0.01 (-0.12 - 0.09) 0.80 2.44 ± 0.35 2.48 ± 0.35 2.58 ± 0.33 0.06 (-0.05 - 0.17) 0.26
Masa libre de
grasa (Kg)
35.50 ± 3.57 35.73 ± 3.15 35.36 ± 2.17 0.02 (-1.47 - 1.50) 0.98 37.74 ± 3.99 37.03 ± 3.37 36.46 ± 1.14 -0.66 (-1.66 - 0.35) 0.20 41.51 ± 4.79 41.19 ± 3.83 41.06 ± 3.93 -0.54 (-1.70 - 0.63) 0.37
Grasa
corporal (%)
37.01 ± 5.22 36.13 ± 36.13 38.70 ± 1.57 0.30 (-1.51 - 2.10) 0.75 42.22 ± 3.39 41.67 ± 3.25 42.21 ± 2.76 -0.18 (-1.14 - 0.78) 0.72 46.54 ± 3.18 46.46 ± 3.40 49.40 ± 3.25 1.01 (-0.02 - 2.04) 0.06
Grasa en
tejido (%)
38.47 ± 5.66 38.05 ± 6.31 40.62 ± 1.60 0.67 (-1.30 - 2.63) 0.51 44.33 ± 3.60 42.84 ± 4.43 44.38 ± 2.98 -0.30 (-1.51 - 0.92) 0.63 48.83 ± 3.41 48.88 ± 3.58 51.72 ± 3.34 1.09 (-0.01 - 2.18) 0.05
Grasa en
tronco (%)
39.51 ± 5.66 39 ± 7.38 42.52 ± 1.41 0.81 (-1.38 - 3.01) 0.47 46.81 ± 3.92 45.39 ± 4.21 46.69 ± 3.62 -0.29 (-1.50 - 0.92 0.64 50.67 ± 3.60 50.90 ± 4.05 53.17 ± 3.53 0.96 (-0.21 - 2.13) 0.11
Grasa
androide (%)
44.42 ± 6.73 44.62 ± 8.39 49.28 ± 2.59 1.61 (-1.28 - 4.51) 0.28 52.12 ± 4.19 50.83 ± 4.87 51.52 ± 3.91 -0.43 (-1.80 - 0.94) 0.54 54.61 ± 3.68 54.99 ± 4.51 58.16 ± 3.44 1.25 (0.00 - 2.49) 0.05
Grasa
ginoide (%)
47.35 ± 5.82 46.52 ± 6.72 47.80 ± 6.50 0.15 (-2.26 - 2.56) 0.90 50.30 ± 3.52 49.01 ± 3.74 49.15 ± 3.38 -0.75 (-1.86 - 0.37) 0.19 52.87 ± 4.39 53.51 ± 4.43 56.83 ± 4.03 1.89 (0.48 - 3.30) 0.01
Pa= valor de P ajustado por edad e IMC, IC= intervalo de confianza, β= Beta, MLG= Masa Libre de Grasa, CMO = Contenido Mineral Óseo, ICC = Índice Cintura Cadera.
66
8.- DISCUSIÓN
La obesidad es uno de los principales problemas de salud pública del siglo
XXI. Este padecimiento es de origen multifactorial e involucra al ambiente, el
estilo de vida y factores genéticos. Se han descrito más de 127 genes asociados
a esta patología; entre éstos se encuentran FTO, MC4R y BDNF (Goodarzi,
2018).
El gen BDNF codifica para una proteína que participa en la regulación de
mecanismos relacionados con el gasto energético y control de saciedad (Lapchak
& Hefti, 1992). En modelos animales, se ha demostrado que la ausencia de BDNF
promueve un incremento en la ingesta calórica y cambios en la composición
corporal (Pelleymounter, Cullen & Wellman, 1995). Diversos polimorfismos en el
gen BDNF se han relacionado con la obesidad y el IMC, en poblaciones
europeas, americanas y asiáticas (Friedel et al., 2005; Beckers et al., 2008; Hotta
et al., 2009; Timpano, et al., 2011; Ma et al., 2012; Sustar et al., 2016). Sin
embargo, los resultados son discrepantes, ya que, en estudios realizados en
Islandia, Grecia y Croacia, no se ha observado alguna relación de polimorfismos
en este gen, con la obesidad, el sobrepeso o el IMC (Rouskas et al., 2011;
Skledar et al., 2012; Thorleifsson et al., 2008).
En México hay pocos estudios de asociación genética con los
polimorfismos del gen BDNF, específicamente el SNP rs6265 que ha sido solo
estudiado en mestizos mexicanos del centro de México y sin analizar
específicamente a mujeres postmenopáusicas (León-Mimila et al., 2013; Morales
Marín., et al., 2016). Para el SNP rs7934165, actualmente no existen reportes de
estudios de asociación genética con las variables de composición corporal en
población mexicana. Hasta el momento se desconoce si los genes participan
modificando las variables de composición corporal en los diferentes fenotipos de
obesidad. Por esto, el objetivo general de esta investigación fue analizar la
asociación entre los polimorfismos de BDNF y las variables antropométricas y de
67
composición corporal en mujeres postmenopáusicas del noreste de México
clasificadas acorde a su IMC.
Para cumplir el primer objetivo específico, se identificaron las
características antropométricas y de composición corporal de nuestro grupo de
estudio; para ello, se analizó una base de datos con 182 registros de mujeres
postmenopáusicas. Los valores de las variables antropométricas y de
composición corporal resultantes fueron comparados con otras poblaciones
(Tabla XIX). Estos datos fueron similares a lo reportado para mujeres
postmenopáusicas de Nuevo León y del centro del país (Carranza-Lira,
Azpilcueta y Rosales Ortiz, 2016; Fernández Muñoz et al., 2014). Solamente
difieren de los reportados por Macías y colaboradores (2014) que analizaron a
un grupo de mujeres del centro del país con diferencias marcadas en el peso, el
IMC, la circunferencia de cintura, la circunferencia de cadera y la masa grasa.
Las diferencias pueden ser explicadas por la diferencia en la media de la edad
de nuestro estudio (57 años) y el suyo (41 años). No obstante, el porcentaje de
grasa corporal y el ICC fueron similares en ambos estudios; sugiriendo que, a
pesar de las diferencias antropométricas evidentes, la proporción de grasa
corporal no se ve afectada con la edad o la localización geográfica y las
diferencias que esta implica (St-Onge and Gallagher, 2010). También se hicieron
comparaciones de medidas antropométricas reportadas en cohortes de Estados
Unidos de Norte América (Puertoriqueñas en Boston y Euro-descendientes de
Nueva York). En el grupo de mujeres Puerto Rico (~57 años de edad), se
observaron valores mayores a los encontrados en nuestro estudio de peso, IMC,
circunferencia de cintura y circunferencia de cadera (Ma et al., 2012). En la
población de mujeres postmenopáusicas de Norteamérica (~66 años de edad),
presentaron valores menores de IMC y de porcentaje de grasa corporal (Banack
et al., 2017). Estas diferencias, sugieren que la población latinoamericana
(mexicanas y puertorriqueñas), tiene mayor porcentaje de grasa que la euro-
descendiente; estas diferencias pueden ser explicadas por múltiples factores
como: la etnia, factores genéticos y el estilo de vida de los tres grupos.
68
Tabla XIX. Características generales y de composición corporal en mujeres de distintas poblaciones
Variables Nuestro estudio
(Carranza-Lira y Rosales Ortiz,
2016)
(Fernández Muñoz et al.,
2014)
(Macias et al., 2014)
(Ma et al., 2012)
(Banack, Wactawski-
Wende, Hovey & Stokes, 2017)
Grupo de estudio
postmenopáusicas (40 a 80 años)
postmenopáusicas (39 a 86)
postmenopáusicas (50 a 65 años) 20 a 65 años 45 a 75 años 53 a 85 años
N 182 62 34 3646 945 1329
Población Mexicana (Nuevo León)
Mexicana (Nuevo León)
Mexicana (Cd de México)
Mexicana (Centro)
Puertorriqueña (Boston, USA)
Euro-descendiente
(NY, USA) Edad (años) 56.99 ± 6.94 56 .00 56.10 ± 6.50 41.30 ± 10.90 57.40 ± 7.50 66.10 ± 7.00
Peso (kg) 69.01 ± 10.82 65.49 (47-88)* 69.80 ± 15.30 64.40 ± 11.40 78.70 ± 17.50 -
IMC 28.84 ± 4.52 27.70 (20.3-37.7)* 29.30 ± 5.90 26.50 ± 4.50 32.90 ± 7.00 26.70 ± 5.20
Cintura (cm) 96.05 ± 10.88 85.00 (60-105)* 93.40 ± 15.20 88.90 ± 11.70 102.00 ± 15.40 - Cadera (cm) 106.18 ± 9.30 98.38 (86-114)* - 100.30 ± 90 111.00 ± 14.50 -
ICC 0.90 ± 0.08 0.86 (0.69-1.05)* - 0.90 ± 0.10 - - Grasa corporal
(%) 42.95 ± 5.27 - 27.10 ± 8.50 42.60 ± 6.30 - 36.8 ± 6.00
Grasa troncal (%) 46.81 ± 6.05 - - - - -
Masa grasa (kg) 30.90 ± 7.95 - - 26.50 ± 8.10 - 26.80 ± 9.20 Masa magra (kg) 36.80 ± 4.21 - - - - 42.00 ± 5.56 *Los datos Carranza-Lira y Ortíz corresponden a la mediana y a su intervalo, IMC= Índice de Masa Corporal, ICC= Índice Cintura Cadera
69
De acuerdo con los puntos de cohorte de la OMS para cintura, cadera e
ICC, los valores elevados de estas variables antropométricas, sugieren
incremento en el riesgo de presentar enfermedades cardio-metabólicas. Al
comparar los datos de esta investigación con dichos puntos de corte de la OMS,
se encontró nuestra población presenta un riesgo elevado de desarrollar
enfermedades cardio-metabólicas (OMS, 2008). Lo anterior, sugiere que las
mujeres postmenopáusicas del noreste de México presentan una predisposición
más alta a las enfermedades metabólicas.
El origen étnico y los hábitos de la población juega un papel determinante
en las diferencias en la composición corporal, es decir, las diferencias
observadas pueden ser debido al trasfondo social, cultural, disponibilidad
alimentaria, nutrición y estratos sociales propios de las regiones geográficas de
los participantes de cada estudio, así como la arquitectura genética específica de
las poblaciones de estudio. Además, los datos analizados confirman que existe
una incidencia de sobrepeso y obesidad en las mujeres postmenopáusicas del
noreste de México. En este sentido, se deben buscar estrategias para combatir
la obesidad y sobrepeso que prevalece en la región.
70
Para el segundo objetivo, se estratificó a nuestra cohorte con base en el
IMC, dividiéndolas en tres grupos (peso normal, sobrepeso y obesidad) y se
compararon con los resultados de la ENSANUT 2012, donde se analizan rangos
de edad de 40 a 80 años, los cuales son similares a los nuestros (Tabla XX). No
se observaron diferencias en ambos grupos, por lo que se cree que los resultados
obtenidos con nuestra muestra de mujeres postmenopáusicas son
representativos del noreste del país.
Tabla XX. Comparación de porcentajes de fenotipos de obesidad en población nacional
femenina de 40 a 80 años comparada contra la población del noreste
Estudio Porcentajes de IMC Normal Sobrepeso Obesidad
ENSANUT 2012 32 29 39 Noreste 20 41 39 p = 0.08. El resultado no es significativo.
En el tercer objetivo, se determinaron las frecuencias alélicas y genotípicas
de los polimorfismos rs6265 y rs7934165 del gen BDNF. Para observar el
comportamiento de las frecuencias alélicas de ambos SNPs a nivel mundial se
compararon los valores obtenidos con los de las bases de datos de ENSEMBLE
GENOME BROWSER 91.
En el estudio, al analizar el rs6265 las frecuencias globales corresponden
a 80% el alelo G como el más frecuente, mientras que A se identificó como el
alelo de menor frecuencia (MAF). Al someter nuestros resultados (G 87%, A 13%)
a la prueba de chi2 contra población global a nivel mundial encontramos
diferencias significativas con la población africana (G = 99%) y con la asiática (G
=51%); la mayor similitud fue con la población americana, posiblemente debido a
la ubicación y acceso geográfico de las poblaciones en el mismo continente.
Nuestra muestra tiene una proporción similar de ancestría amerindia y europea.
El alelo A es el menos frecuente de manera global. En población
americana el alelo A se reportó como MAF. Nuestra población presentó una
71
mayor similitud en porcentajes con población puertorriqueña y colombiana (alelo
A = 16%) seguido de la población con ancestría mexicana de Los Ángeles
California (alelo A = 20%). Las frecuencias alélicas se sometieron a la prueba de
chi2 sin encontrar valores significativos. Se mantiene una distribución similar de
estos alelos en Latinoamérica.
Se compararon las frecuencias genotípicas de nuestro estudio contra los
reportados en estudios nacionales. Las frecuencias genotípicas se sometieron a
la prueba estadística de chi2, sin encontrar diferencias significativas entre ninguno
de ellos (Tabla XXI). Martínez-Ezquerro y colaboradores (2018) encontraron en
población femenina pediátrica, que el genotipo homocigoto AA es el menos
común en población mexicana del centro de México, los porcentajes de genotipos
homocigoto y heterocigoto, coinciden con nuestro estudio. Morales-Marín y
colaboradores (2016) también reportaron los porcentajes de genotipos en
población del centro de México, con frecuencias genéticas similares al nuestro.
Al comparar los genotipos de la población del presente estudio contra
puertorriqueños, se encontró la mayor similitud en ambas poblaciones. De
manera similar, González-Peña y colaboradores (2018), que trabajaron con
mujeres postmenopáusicas del Noreste de México, reportaron frecuencias
genéticas similares a los nuestras. De esta forma se observa que los estudios
realizados en México muestran similitudes en la distribución de genotipos de este
polimorfismo.
Tabla XXI. Frecuencias genéticas del rs6265 en diversos estudios Estudio Nuestro
estudio Martínez-
Ezquerro et al., 2018
Morales Marín et al., 2016
Ma et al., 2012 González-Peña et al., 2018
Población México Nuevo León
Ciudad de México Ciudad de México Boston, Población de Puerto Rico
México Nuevo León
GG 74 74 70 73 73 GA 25 24 28 25 21 AA 1 2 2 2 6 G 87 86 84 86 83 A 13 14 16 14 17 N Mujeres
182 Pediátrica
Mujeres 282 Mujeres
84 y 55 hombres 811 mujeres y 336
Hombres 124 mujeres
72
Con respecto al SNP rs7934165, el alelo de menor frecuencia fue el G en
poblaciones africana, americana y en la nuestra; mientras que en poblaciones
asiáticas y europeas, el MAF fue el alelo A. En relación al alelo G, se encontraron
diferencias estadísticas en las frecuencias de este alelo con población de África
(44%) y América (43%) con respecto a los nuestros (G = 37%). Así mismo, al
comparar nuestras frecuencias contra los resultados globales (G = 57%),
observamos una diferencia significativa. Con respecto al alelo A, las frecuencias
en nuestra población (A =63%) fue menor a la reportada en población peruana
(72%) y mayor a la reportada para mexicanos de Los Ángeles (59%),
colombianos (51%) y puertorriqueños (49%). Aunque estas frecuencias son
diferentes, mantienen proporciones similares de MAF que no se observan en
poblaciones europeas, esto posiblemente debido al componente amerindio que
se comparte entre los grupos de estudio (ENSEMBL GENOME BROWSER 91).
Por último, se propuso determinar la asociación de los polimorfismos del
gen BDNF con las variables antropométricas en los diferentes grupos de estudio.
En la población completa, se encontró que el rs6265 se asocia con la
circunferencia de cadera en el modelo de herencia recesivo; en cambio, con el
rs7934165 no se observaron asociaciones significativas.
Al dividir a la población de acuerdo al IMC, se encontró que en el grupo de
mujeres con peso normal el rs6265-A se asocia con mayor peso (P ≤ 0.04),
circunferencia de cadera (P ≤ 0.01) y contenido mineral óseo (P ≤ 0.03); en
cambio, en los grupos con sobrepeso y obesidad no se observaron asociaciones
significativas.
En la literatura se reportan informes contradictorios tratando de asociar al
rs6265 con los valores de composición corporal. Por ejemplo, Sustar y
colaboradores (2016), al analizar la asociación del rs6265 con el IMC en sujetos
croatas sanos de 51 a 53 años, encontró que la frecuencia del genotipo AA era
mayor en los individuos sanos con IMC normal, que los grupos de sobrepeso y
73
obesidad; similar a nuestro estudio, se observa que el efecto del genotipo
solamente es significativo en la población con IMC normal. Contradictoriamente,
un estudio realizado por Morales-Marín y colaboradores (2016) en población
mexicana con desorden bipolar se encontró que los hombres portadores del alelo
A con IMC normal tenían el “efecto protector” de dicho alelo, que no se observó
en pacientes con sobrepeso, ni en mujeres. No obstante, estos resultados deben
de tomarse con cautela ya que son en un grupo con una patología determinada,
con un pequeño número de muestra.
En otro estudio, al analizar la población puertorriqueña radicada en
Boston, se encontró que las mujeres portadoras del alelo A presentaron mayor
IMC, circunferencia de cadera y peso (Ma et al., 2012). Estos resultados, son
similares a los que encontramos, ya que sólo en el grupo con peso normal, los
portadores del alelo A, se relaciona con el aumento del peso y la circunferencia
de cadera. Así mismo, Skledar y colaboradores, (2012) encontraron en niños
croatas que el alelo A se asoció a un incremento de IMC y que, en las mujeres,
el genotipo GA aumentaba el riesgo de obesidad. Las frecuencias alélicas entre
croatas y en nuestra población, son similares, no así la asociación de los alelos.
Lo anterior, posiblemente se deba a que el estudio en croatas consideró hombres
y mujeres, y como puede observar en los estudios anteriores, este SNP ha
mostrado un dimorfismo sexual en diferentes poblaciones, así como un efecto
diferencial en función del IMC. Finalmente, en un estudio realizado por
Akkermann y colaboradores (2011) en niñas de Estonia se evaluó la asociación
de los genotipos de BDNF con la ingesta alimentaria, encontrando que los
portadores del alelo A eran más propensos a atracones de alimentos y aumento
de la ingesta calórica, explicando que posiblemente este alelo en niñas
caucásicas está asociada a trastornos alimentarios. Sin embargo, en nuestro
estudio no se evaluó la ingesta alimentaria, pero explicaría mecanísticamente la
relación del aumento de peso en los portadores del alelo A.
74
Estos resultados, donde los efectos del rs6265 se observan solamente en
el grupo con peso normal, pero no en sobrepeso y obesidad, son interesantes.
Una posible explicación es que el efecto del SNP analizado sea más observable
porque la acción obesogénica del ambiente y otros SNPs es muy baja. En este
sentido, las interacciones gen-gen podrían opacar el efecto del rs6265 en los
grupos con sobrepeso y obesidad; también cabe la posibilidad de que el estilo de
vida obesogénico juegue un papel en el enmascaramiento de SNP de estudio.
Hasta el momento, se ha documentado que el efecto de asociación de los alelos
con la composición corporal puede cambiar de acuerdo al género, la etnicidad y
el fenotipo, ya que en nuestra población estratificada por IMC se observó que la
asociación de los genotipos se hizo más evidente en el grupo con peso normal.
Con respecto al rs7934165, no se observaron asociaciones significativas
con las variables de composición corporal en la población total, mientras que al
estratificar por IMC, solamente en las mujeres del grupo con obesidad se observó
asociación con variables relacionadas a la grasa corporal en región androide y
ginoide; cabe señalar que este polimorfismo no se ha asociado previamente con
las características de antropometría o composición corporal en población
saludable, solamente se ha estudiado en sujetos con problemas neurológicos
(Honea et al., 2013; de Cid et al., 2008). En población española, se encontró que
los portadores del alelo G tenían un efecto anorexígenico, y lo relacionan con
bulimia y anorexia (Mercader., et al 2007). En este caso, los resultados pueden
sugerir que el efecto del polimorfismo se asocia a medidas antropométricas y a
la obesidad.
En resumen, nuestros resultados permiten confirmar la hipótesis de trabajo
al encontrar asociación entre los polimorfismos rs6265 y rs7934165 del gen
BDNF y algunas características de composición corporal en mujeres
postmenopáusicas y determinar que dicha asociación depende del IMC, por lo
que podrían ser considerados posibles factores de riesgo genéticos para la
obesidad. Una limitación de este trabajo es el tamaño de la muestra; por lo tanto,
75
la confirmación de los resultados requiere un incremento en el número de sujetos
analizados. Además, cabe señalar que estos resultados también pueden variar
en función la región geográfica de los mestizos mexicanos, de las estrategias de
procesamiento y análisis de los datos, así como de interacciones con otros genes
y el estilo de vida. Con este trabajo se pretende aportar información que
contribuya a entender los factores genéticos asociados a obesidad en la
población del noreste de México.
76
9. CONCLUSIONES
De acuerdo con los resultados obtenidos de la presente investigación, se
ha concluido lo siguiente:
• Las variables antropométricas y de composición corporal de las mujeres
de nuestro estudio son similares a los descritos en estudios
nacionales.
• La frecuencia de sobrepeso y obesidad de nuestro estudio es similar
a lo reportado en la encuesta nacional de salud y nutrición más
reciente.
• Este es el primer reporte de polimorfismos del gen BDNF en mujeres
postmenopáusicas y su asociación con fenotipos de obesidad.
• Por primera vez se encontraron asociaciones significativas en el
polimorfismo rs7934165 con las variables antropométricas y de
composición corporal en la población mestiza mexicana.
• Ambos polimorfismos demostraron estar asociados a la composición
corporal en mujeres posmenopáusicas del noreste de México.
• Se encontró que la población estratificada por IMC, muestra diferencias
en las asociaciones de los polimorfismos del gen BDNF con las
medidas antropométricas.
77
10. REFERENCIAS
Aid, T., Kazantseva, A., Piirsoo, M., Palm, K., & Timmusk, T. (2007). Mouse and rat
BDNF gene structure and expression revisited. Journal of Neuroscience
Research, 85(3), 525-535. http://dx.doi.org/10.1002/jnr.21139
Akkermann, K., Hiio, K., Villa, I., & Harro, J. (2011). Food restriction leads to binge eating
dependent upon the effect of the brain-derived neurotrophic factor Val66Met
polymorphism. Psychiatry Research, 185(1-2), 39-43.
http://dx.doi.org/10.1016/j.psychres.2010.04.024
Alcalde-Rabanal, J., Orozco-Núñez, E., Espinosa-Henao, O., Arredondo-López, A., &
Alcayde-Barranco, L. (2018). The complex scenario of obesity, diabetes and
hypertension in the area of influence of primary healthcare facilities in
Mexico. PLOS ONE, 13(1), e0187028.
http://dx.doi.org/10.1371/journal.pone.0187028
Ask TaqMan® Video Gallery | Thermo Fisher Scientific - MX. (2018). Obtenido de
https://www.thermofisher.com/mx/es/home/life-science/pcr/real-time-pcr/real-
time-pcr-learning-center/real-time-pcr-basics/ask-taqman-video-series/ask-
taqman-video-gallery.html
Banack, H., Wactawski-Wende, J., Hovey, K., & Stokes, A. (2017). Is BMI a valid
measure of obesity in postmenopausal women?. Menopause, 1(3),456-500.
10.1097/GME.0000000000000989
Bataille, D., & Dalle, S. (2014). The forgotten members of the glucagon family. Diabetes
Research and Clinical Practice, 106(1), 1-10. 10.1016/j.diabres.2014.06.010
Bauer, F., Elbers, C., Adan, R., Loos, R., Onland-Moret, N., & Grobbee, D. et al. (2009).
Obesity genes identified in genome-wide association studies are associated with
adiposity measures and potentially with nutrient-specific food preference. The
American Journal of Clinical Nutrition, 90(4), 951-959. 10.3945/ajcn.2009.27781
Beckers, S., Peeters, A., Zegers, D., Mertens, I., Gaal, L., & Van Hul, W. (2008).
Association of the BDNF Val66Met variation with obesity in women. Molecular
Genetics and Metabolism, 95(1-2), 110-112.
https://doi.org/10.1016/j.ymgme.2008.06.008
78
Berthoud, H. (2011). Metabolic and hedonic drives in the neural control of appetite: who
is the boss?. Current Opinion in Neurobiology, 21(6), 888-896.
10.1016/j.conb.2011.09.004
Biebermann, H., Kühnen, P., Kleinau, G. & Krude, H. (2011). The neuroendocrine
circuitry controlled by POMC, MSH, and AGRP. Handbook of Experimental
Pharmacology, pp.47-75. 10.1007/978-3-642-24716-3_3
Binder, D., & Scharfman, H. (2004). Mini review. Growth factors, 22(3), 123-131.
http://dx.doi.org/10.1080/08977190410001723308
Brodie, D., Moscrip, V., & Hutcheon, R. (1998). Body composition measurement: A
review of hydrodensitometry, anthropometry, and impedance methods. Nutrition,
14(3), 296-310. https://doi.org/10.1016/S0899-9007(97)00474-7
Carranza-Lira, S., Azpilcueta, Y., & Rosales Ortiz, S. (2016). Relation between visceral
fat and carotid intimal media thickness in Mexican postmenopausal women: a
preliminary report. Menopausal Review, 2, 81-84.
http://dx.doi.org/10.5114/pm.2016.61189
Ceccarini, G., Maffei, M., Vitti, P. & Santini, F. (2014). Fuel homeostasis and locomotor
behavior: role of leptin and melanocortin pathways. Journal of Endocrinological
Investigation, 38(2),125-131. 10.1007/s40618-014-0225-z
Chambers, J., Elliott, P., Zabaneh, D., Zhang, W., Li, Y., & Froguel, P. et al. (2008).
Common genetic variation near MC4R is associated with waist circumference and
insulin resistance. Nature Genetics, 40(6), 716-718.
http://dx.doi.org/10.1038/ng.156
Cho, Y., Go, M., Kim, Y., Heo, J., Oh, J., & Ban, H. et al. (2009). A large-scale genome-
wide association study of Asian populations uncovers genetic factors influencing
eight quantitative traits. Nature Genetics, 41(5), 527-534.
http://dx.doi.org/10.1038/ng.357
Crino, M., Sacks, G., Vandevijvere, S., Swinburn, B., & Neal, B. (2015). The influence
on population weight gain and obesity of the macronutrient composition and
energy density of the food supply. Current Obesity Reports, 4(1), 1-10.
10.1007/s13679-014-0134-7
79
Da Fonseca, A., Mastronardi, C., Johar, A., Arcos-Burgos, M., & Paz-Filho, G. (2017).
Genetics of non-syndromic childhood obesity and the use of high-throughput DNA
sequencing technologies. Journal of Diabetes and Its Complications, 31(10),
1549-1561. 10.1016/j.jdiacomp.2017.04.026
Davey Smith, G., & Ebrahim, S. (2003). ‘Mendelian randomization’: can genetic
epidemiology contribute to understanding environmental determinants of
disease?. International Journal of Epidemiology, 32(1), 1-22.
https://doi.org/10.1093/ije/dyg070
De Cid, R., Fonseca, F., Gratacs, M., Gutierrez, F., Martn-Santos, R., Estivill, X., &
Torrens, M. (2008). BDNF variability in opioid addicts and response to methadone
treatment: preliminary findings. Genes, Brain and Behavior, 7(5), 515-522.
10.1111/j.1601-183X.2007.00386.x
De Lorenzo, A., Martinoli, R., Vaia, F., & Di Renzo, L. (2006). Normal weight obese
(NWO) women: An evaluation of a candidate new syndrome. Nutrition,
Metabolism and Cardiovascular Diseases, 16(8), 513-523.
http://dx.doi.org/10.1016/j.numecd.2005.10.010
Desjardins, P., & Conklin, D. (2010). NanoDrop microvolume quantitation of nucleic
acids. Journal of Visualized Experiments, 22(45)pii, 2565.
http://dx.doi.org/10.3791/2565
Do Carmo, J., da Silva, A., Dubinion, J., Sessums, P., Ebaady, S., Wang, Z. & Hall, J.
(2013). Control of metabolic and cardiovascular function by the leptin-brain
melanocortin pathway. IUBMB Life, 65(8), pp.692-698. 10.1002/iub.1187
Duran-Gonzalez, J., Ortiz, I., Gonzales, E., Ruiz, N., Ortiz, M., & Gonzalez, A. et al.
(2011). Association study of candidate gene polymorphisms and obesity in a
young Mexican-American population from south Texas. Archives of Medical
Research, 42(6), 523-531. 10.1016/j.arcmed.2011.10.010
Encuesta nacional en salud y nutrición (2000). Obesidad. Obtenido el 20 de abril 2017,
de http://ensanut.insp.mx/informes/ENSA
Encuesta nacional en salud y nutrición (ENSANUT) (2006). Nutrición y obesidad.
Obtenido el 20 de abril 2017, de http://ensanut.insp.mx/informes/ensanut2006.
80
Encuesta nacional en salud y nutrición (ENSANUT) (2012). Resultados nacionales.
Obtenido el 20 de abril 2017, de
http://ensanut.insp.mx/doctos/FactSheet_ResultadosNacionales14Nov.
Encuesta nacional en salud y nutrición a medio camino 2016 (2017). Cifras de
sobrepeso y obesidad en México, OMENT. Obtenido el 18 de abril 2017, de
http://oment.uanl.mx/cifras-de-sobrepeso-y-obesidad-en-mexico-ensanut-mc-
2016/
Ensembl genome browser 90 (2017). Population genetics. Recuperado de
https://www.ensembl.org/Homo_sapiens/Variation/Population?db=core;r=11:276
57869-27658869;v=rs6265;vdb=variation;vf=5988#population_freq_AMR
Escamilla-Méndez, A.D. (2016). Asociación del polimorfismo 844ins68 del gen de la
cistationina B sintasa (CBS) y de los polimorfismos A1298C y C677T del gen de
la metilentetrahidrofolato reductasa (MTHFR) con la densidad mineral ósea en
mujeres postmenopáusicas. (Tesis de maestría). Universidad Autónoma de
Nuevo León, Monterrey.
Excoffier, L. & H.E. L. Lischer (2010, 2012) Arlequin suite ver 3.5: A new series of
programs to perform population genetics analyses under Linux and Windows.
Molecular Ecology Resources. 10: 564-567. 10.1111/j.1755-0998.2010.02847.x
Fawcett, K. & Barroso, I. (2010). The genetics of obesity: FTO leads the way. Trends in
Genetics, 26(6), 266-274. http://dx.doi.org/10.1016/j.tig.2010.02.006
Fernández Muñoz, M., Basurto Acevedo, L., Córdova Pérez, N., Vázquez Martínez, A.,
Tepach Gutiérrez, N., & Vega García, S. et al. (2014). Epicardial adipose tissue
is associated with visceral fat, metabolic syndrome, and insulin resistance in
menopausal women. Revista Española De Cardiología (English Edition), 67(6),
436-441. http://dx.doi.org/10.1016/j.rec.2013.10.011
Frayling, T., Timpson, N., Weedon, M., Zeggini, E., Freathy, R., & Lindgren, C. et al.
(2007). A common variant in the FTO gene is associated with body mass index
and predisposes to childhood and adult obesity. Science, 316(5826), 889-894.
http://dx.doi.org/10.1126/science.1141634
Friedel, S., Fontenla Horro, F., Wermter, A., Geller, F., Dempfle, A., & Reichwald, K. et
al. (2005). Mutation screen of the brain derived neurotrophic factor gene (BDNF):
81
Identification of several genetic variants and association studies in patients with
obesity, eating disorders, and attention-deficit/hyperactivity disorder. American
Journal of Medical Genetics Part B: Neuropsychiatric Genetics, 132(1), 96-99.
10.1002/ajmg.b.30090
Froy, O. (2007). The relationship between nutrition and circadian rhythms in
mammals. Frontiers in Neuroendocrinology, 28(2-3), 61-71.
10.1016/j.yfrne.2007.03.001
Gallagher, D., Heymsfield, S., Heo, M., Jebb, S., Murgatroyd, P., & Sakamoto, Y. (2000).
Healthy percentage body fat ranges: an approach for developing guidelines based
on body mass index. The American Journal of Clinical Nutrition, 72(3), 694-701.
http://dx.doi.org/10.1093/ajcn/72.3.694
Gao, M., & Liu, D. (2014). Gene therapy for obesity: progress and prospects. Discovery
Medicine, 17(96), 319-28. PMID: 24979252
Garaulet, M., & Madrid, J. (2009). Chronobiology, genetics and metabolic
syndrome. Current Opinion in Lipidology, 20(2), 127-134.
10.1097/MOL.0b013e3283292399
Garrow, J., & Summerbell, C. (1995). Meta-analysis: effect of exercise, with or without
dieting, on the body composition of overweight subjects. European Journal of
Clinical Nutrition, 49(1), 1-10. PMID: 7713045
Gentra® Puregene® Handbook. (2014). 4th ed. QIAGEN.
Girardet, C. & Butler, A. (2014). Neural melanocortin receptors in obesity and related
metabolic disorders. Biochimica et Biophysica Acta (BBA) - Molecular Basis of
Disease, 1842(3), pp.482-494. 10.1016/j.bbadis.2013.05.004
González-Peña, S., Campos-Góngora, E., Ávila-Rodríguez, H., Ramírez-López, E.,
Velázquez-Cruz, R., & Jiménez-Salas, Z. (2018). Polimorfismos de los genes
JAG1, MEF2C y BDNF asociados con densidad mineral ósea en mujeres del
norte de México. Biomédica, 38(3); 320-328.
https://doi.org/10.7705/biomedica.v38i3.4014
Goodarzi, M. (2018). Genetics of obesity: what genetic association studies have taught
us about the biology of obesity and its complications. The Lancet Diabetes &
Endocrinology, 6(3), 223-236. http://dx.doi.org/10.1016/s2213-8587(17)30200-0
82
Goodwin, S. (2002). The Practical Guide to the Identification, Evaluation and Treatment
of Overweight and Obesity in Adults. Clinical Nurse Specialist, 16(3), 164. doi:
10.1097/00002800-200205000-00016
Gray, J., Yeo, G., Cox, J., Morton, J., Adlam, A., & Keogh, J. et al. (2006). Hyperphagia,
severe obesity, impaired cognitive function, and hyperactivity associated with
functional loss of one copy of the brain-derived neurotrophic factor (BDNF) Gene.
Diabetes, 55(12), 3366-3371. http://dx.doi.org/10.2337/db06-0550
Heard-Costa, N., Zillikens, M., Monda, K., Johansson, Å., Harris, T., & Fu, M. et al.
(2009). NRXN3 is a novel locus for waist circumference: A genome-wide
association study from the CHARGE consortium. Plos Genetics, 5(6), e1000539.
http://dx.doi.org/10.1371/journal.pgen.1000539
Hegele, R., Jugenberg, M., Connelly, P., & Jenkins, D. (1997). Evidence for gene-diet
interaction in the response of blood pressure to dietary fibre. Nutrition
Research, 17(8), 1229-1238. http://dx.doi.org/10.1016/s0271-5317(97)00106-1
Hernández-Tobías, E., Torres-Sánchez, L., Noris, G., Santana, C., Samano, M.,
Arellano-Galindo, J., et al. (2016). PPARG-LYPLAL1 Multi-allelic combination
associated with obesity and overweight in Mexican adolescent females. Ethnicity
& Disease, 26(4), p.477. 10.18865/ed.26.4.477
Herrera, B., & Lindgren, C. (2010). The genetics of obesity. Current Diabetes
Reports, 10(6), 498-505. http://dx.doi.org/10.1007/s11892-010-0153-z
Hill, A. (2004). Does dieting make you fat?. British Journal of Nutrition, 92(S1), S15.
https://doi.org/10.1079/BJN20041135
Hinney, A., Vogel, C. & Hebebrand, J. (2010). From monogenic to polygenic obesity:
recent advances. European Child & Adolescent Psychiatry, 19(3), 297-
310. 10.1007/s00787-010-0096-6
Hoffmann, A., Sgro, C., & Weeks, A. (2004). Chromosomal inversion polymorphisms
and adaptation. Trends in Ecology & Evolution, 19(9), 482-488.
http://dx.doi.org/10.1016/j.tree.2004.06.013
Holland, P., Abramson, R., Watson, R., & Gelfand, D. (1991). Detection of specific
polymerase chain reaction product by utilizing the 5'----3' exonuclease activity of
83
Thermus aquaticus DNA polymerase. Proceedings of The National Academy of
Sciences, 88(16), 7276-7280. https://doi.org/10.1073/pnas.88.16.7276
Honea, R., Cruchaga, C., Perea, R., Saykin, A., Burns, J., Weinberger, D., & Goate, A.
(2013). Characterizing the role of brain derived neurotrophic factor genetic
variation in Alzheimer’s disease neurodegeneration. Plos ONE, 8(9), e76001.
10.1371/journal.pone.0076001
Hotta, K., Nakamura, M., Nakamura, T., Matsuo, T., Nakata, Y., & Kamohara, S. et al.
(2009). Association between obesity and polymorphisms in SEC16B, TMEM18,
GNPDA2, BDNF, FAIM2 and MC4R in a Japanese population. Journal of Human
Genetics, 54(12), 727-731. 10.1038/jhg.2009.106
Iniesta, R., Guinó, E., & Moreno, V. (2005). Statistical analysis of genetic polymorphisms
in epidemiological studies. Gaceta Sanitaria, 19(4), 333-341.
https://doi.org/10.1157/13078029
Jensen, M., Ryan, D., Apovian, C., Ard, J., Comuzzie, A., & Donato, K. et al. (2013).
2013 AHA/ACC/TOS Guideline for the management of overweight and obesity in
adults. Circulation, 129 (25 suppl 2), S102-S138.
10.1161/01.cir.0000437739.71477.ee
Jung, U., & Choi, M. (2014). Obesity and its metabolic complications: The role of
adipokines and the relationship between obesity, inflammation, insulin resistance,
dyslipidemia and nonalcoholic fatty liver disease. International Journal of
Molecular Sciences, 15(4), 6184-6223. 10.3390/ijms15046184
Kaila, B., & Raman, M. (2008). Obesity: A review of pathogenesis and management
strategies. Canadian Journal of Gastroenterology, 22(1), 61-68.
http://dx.doi.org/10.1155/2008/609039
Karelis, A., Brochu, M., Rabasa-Lhoret, R., Garrel, D., & Poehlman, E. (2004). Clinical
markers for the identification of metabolically healthy but obese
individuals. Diabetes, Obesity and Metabolism, 6(6), 456-457.
http://dx.doi.org/10.1016/s1262-3636(07)70156-8
Lajunen, H., Kaprio, J., Keski-Rahkonen, A., Rose, R., Pulkkinen, L., Rissanen, A., &
Silventoinen, K. (2009). Genetic and environmental effects on body mass index
84
during adolescence: a prospective study among Finnish twins. International
Journal of Obesity, 33(5), 559-567. 10.1038/ijo.2009.51
Lapchak, P., & Hefti, F. (1992). BDNF and NGF treatment in lesioned rats. Neuroreport,
3(5), 405-408. http://dx.doi.org/10.1097/00001756-199205000-00007
Lebrun, B., Bariohay, B., Moyse, E., & Jean, A. (2006). Brain-derived neurotrophic factor
(BDNF) and food intake regulation: A minireview. Autonomic Neuroscience, 126-
127, 30-38. http://dx.doi.org/10.1016/j.autneu.2006.02.027
León-Mimila, P., Villamil-Ramírez, H., Villalobos-Comparán, M., Villarreal-Molina, T.,
Romero-Hidalgo, S., & López-Contreras, B. et al. (2013). Contribution of common
genetic variants to obesity and obesity-related traits in Mexican children and
adults. Plos ONE, 8(8), e70640. https://doi.org/10.1371/journal.pone.0070640
Li, S., Zhao, J., Luan, J., Langenberg, C., Luben, R., & Khaw, K. et al. (2011). Genetic
predisposition to obesity leads to increased risk of type 2 diabetes. Diabetologia,
54(4), 776-782. 10.1007/s00125-011-2044-5
Lindgren, C., Heid, I., Randall, J., Lamina, C., Steinthorsdottir, V., & Qi, L. et al. (2009).
Genome-wide association scan meta-analysis identifies three loci influencing
adiposity and fat distribution. Plos Genetics, 5(6), e1000508.
http://dx.doi.org/10.1371/journal.pgen.1000508
Lommatzsch, M., Zingler, D., Schuhbaeck, K., Schloetcke, K., Zingler, C., Schuff-
Werner, P., & Virchow, J. (2005). The impact of age, weight and gender on BDNF
levels in human platelets and plasma. Neurobiology of Aging, 26(1), 115-123.
http://dx.doi.org/10.1016/j.neurobiolaging.2004.03.002
Loos, R., Lindgren, C., Li, S., Wheeler, E., Zhao, J., & Prokopenko, I. et al. (2008).
Common variants near MC4R are associated with fat mass, weight and risk of
obesity. Nature Genetics, 40(6), 768-775. http://dx.doi.org/10.1038/ng.140
Ma, X., Qiu, W., Smith, C., Parnell, L., Jiang, Z., & Ordovas, J. et al. (2012). Association
between BDNF rs6265 and obesity in the Boston Puerto Rican health
study. Journal of Obesity, 2012, 1-8. http://dx.doi.org/10.1155/2012/102942
Macias, N., Quezada, A., Flores, M., Valencia, M., Denova-Gutiérrez, E., & Quiterio-
Trenado, M. et al. (2014). Accuracy of body fat percent and adiposity indicators
85
cut off values to detect metabolic risk factors in a sample of Mexican adults. BMC
Public Health, 14(1). 10.1186/1471-2458-14-341
Major, G., Doucet, E., Trayhurn, P., Astrup, A., & Tremblay, A. (2008). Clinical
significance of adaptive thermogenesis. Medicine & Science in Sports &
Exercise, 40(Supplement), 38. 10.1038/sj.ijo.0803523
Marti, A., Martinez-González, M., & Martinez, J. (2008). Interaction between genes and
lifestyle factors on obesity. Proceedings Of The Nutrition Society, 67(01), 1-8.
10.1017/S002966510800596X
Martínez-Ezquerro, J., Rendón-Macías, M., Zamora-Mendoza, G., Serrano-Meneses, J.,
Rosales-Rodríguez, B., & Escalante-Bautista, D. et al. (2017). Association
between the brain-derived neurotrophic factor Val66Met polymorphism and
overweight/obesity in pediatric population. Archives of Medical Research, 48(7),
599-608. 10.1016/j.arcmed.2018.02.005
McKinsey & Company. How the world could better fight obesity. (2014). Obtenido el 18
de abril 2017, de http://www.mckinsey.com/industries/healthcare-systems-and-
services/our-insights/how-the-world-could-better-fight-obesity.
Mejía-Benítez, A., Klünder-Klünder, M., Yengo, L., Meyre, D., Aradillas, C., & Cruz, E.
et al. (2013). Analysis of the contribution of FTO, NPC1, ENPP1, NEGR1,
GNPDA2 and MC4R genes to obesity in Mexican children. BMC Medical
Genetics, 14(1). http://dx.doi.org/10.1186/1471-2350-14-21
Mercader, J., Ribasés, M., Gratacòs, M., González, J., Bayés, M., & de Cid, R. et al.
(2007). Altered brain-derived neurotrophic factor blood levels and gene variability
are associated with anorexia and bulimia. Genes, Brain and Behavior, 6(8), 706-
716. http://dx.doi.org/10.1111/j.1601-183x.2007.00301.x
Meyre, D., Delplanque, J., Chèvre, J., Lecoeur, C., Lobbens, S., & Gallina, S. et al.
(2009). Genome-wide association study for early-onset and morbid adult obesity
identifies three new risk loci in European populations. Nature Genetics, 41(2),
157-159. http://dx.doi.org/10.1038/ng.301
Mokdad, A., Ford, E., Bowman, B., Dietz, W., Vinicor, F., Bales, V., & Marks, J. (2003).
Prevalence of obesity, diabetes, and obesity-related health risk factors,
2001. JAMA, 289(1). doi: 10.1001/jama.289.1.76
86
Morales Marín, M., Genis-Mendoza, A., Tovilla-Zarate, C., Lanzagorta, N., & Escamilla,
M. Nicolini, H. (2016). Association between obesity and the brain-derived
neurotrophic factor gene polymorphism Val66Met in individuals with bipolar
disorder in Mexican population. Neuropsychiatric Disease and Treatment, Volume
12, 1843-1848. 10.2147/NDT.S104654
Mountjoy, K. (2015). Pro-Opiomelanocortin (POMC) neurones, POMC-Derived peptides,
melanocortin receptors and obesity: How understanding of this system has
changed over the last decade. Journal of Neuroendocrinology, 27(6), 406-418.
10.1111/jne.12285
Neves-Pereira, M., Mundo, E., Muglia, P., King, N., Macciardi, F., & Kennedy, J. (2002).
The Brain-derived neurotrophic factor gene confers susceptibility to bipolar
disorder: evidence from a family-based association study. The American Journal
of Human Genetics, 71(3), 651-655. http://dx.doi.org/10.1086/342288
Nuttall, F. (2015). Body Mass Index: Obesity, BMI, and health: A critical review. Nutrition
Today, 50(3), 117-128. 10.1097/NT.0000000000000092
Obesity Update 2017. (2017). Organization for Economic Co-Operation And
Development (OCDE). Obtenido de http://www.oecd.org/health/health-
systems/Obesity-Update-2017.pdf
Observatorio Mexicano de Enfermedades no Transmisibles (OMENT), (2017). Encuesta
nacional en Salud y Nutrición a Medio Camino 2016., cifras de sobrepeso y
obesidad en México. Obtenido el 18 abril de 2017, de http://oment.uanl.mx/cifras-
de-sobrepeso-y-obesidad-en-mexico-ensanut-mc-2016/
O'Rahilly, S., & Farooqi, I. (2008). Human obesity as a heritable disorder of the central
control of energy balance. International Journal of Obesity, 32(S7), S55-S61.
10.1038/ijo.2008.239
Organización Mundial de la Salud (OMS). Sobrepeso y obesidad. (2016). Obtenido el
18 April 2017, de http://www.who.int/mediacentre/factsheets/fs311/en/
Organización Mundial de la Salud (OMS) (2008) Waist circumference and waist–hip
ratio.Obtenido de
https://www.who.int/nutrition/publications/obesity/WHO_report_waistcircumferen
ce_and_waisthip_ratio/en/
87
Ouchi, N., Parker, J., Lugus, J. & Walsh, K. (2011). Adipokines in inflammation and
metabolic disease. Nature Reviews Immunology, 11(2), pp.85-97.
10.1038/nri2921
Pelleymounter, M., Cullen, M., & Wellman, C. (1995). Characteristics of BDNF-induced
weight loss. Experimental Neurology, 131(2), 229-238.
http://dx.doi.org/10.1016/0014-4886(95)90045-4
Peltz, G., Aguirre, M., Sanderson, M., & Fadden, M. (2010). The role of fat mass index
in determining obesity. American Journal of Human Biology, 22(5), 639-647.
http://dx.doi.org/10.1002/ajhb.21056
Price, R., & Gottesman, I. (1991). Body fat in identical twins reared apart: Roles for genes
and environment. Behavior Genetics, 21(1), 1-7. doi: 10.1007/bf01067662
Pritchard, L. (2002). Pro-opiomelanocortin processing in the hypothalamus: impact on
melanocortin signalling and obesity. Journal of Endocrinology, 172(3),.411-421.
doi: 10.1677/joe.0.1720411
Prospective Studies Collaboration. (2009). Body-mass index and cause-specific
mortality in 900 000 adults: collaborative analyses of 57 prospective studies. The
Lancet, 373(9669), 1083-1096. 10.1016/S0140-6736(09)60318-4
Reilly, J. (2003). Health consequences of obesity. Archives of Disease in Childhood,
88(9), 748-752. http://dx.doi.org/10.1136/adc.88.9.748
Remesar, X., Rafecas, I., Fernández-López, J. & Alemany, M. (1997). Is leptin an insulin
counter-regulatory hormone?. FEBS Letters, 402(1), pp.9-11.
https://doi.org/10.1016/S0014-5793(96)01477-9
Rouskas, K., Kouvatsi, A., Paletas, K., Papazoglou, D., Tsapas, A., & Lobbens, S. et al.
(2011). Common variants in FTO, MC4R, TMEM18, PRL, AIF1, and PCSK1 show
evidence of association with adult obesity in the Greek population. Obesity, 20(2),
389-395. 10.1038/oby.2011.177
Rousset, F., 2008. Genepop'007: a complete reimplementation of the Genepop software
for Windows and Linux. Mol. Ecol. Resources 8: 103-106.
https://doi.org/10.1111/j.1471-8286.2007.01931.x
88
Sambrook, J., & Russell, D. (2006). Purification of nucleic acids by extraction with
Phenol:Chloroform. Cold Spring Harbor Protocols, 2006(1), pdb.prot4455.
http://dx.doi.org/10.1101/pdb.prot4455
Santana, C., Noris, G., Meraz-Ríos, M., Magaña, J., Calderon-Aranda, E., de Lourdes
Muñoz, M. & Gómez, R. (2014). Genetic analysis of 17 Y-STRs in a Mestizo
population from the central valley of Mexico. Human Biology, 86(4), p.289.
10.13110/humanbiology.86.4.0289
Scherag, A., Dina, C., Hinney, A., Vatin, V., Scherag, S., & Vogel, C. et al. (2010). Two
new loci for body-weight regulation identified in a joint analysis of genome-wide
association studies for early-onset extreme obesity in French and German study
groups. Plos Genetics, 6(4), e1000916.
http://dx.doi.org/10.1371/journal.pgen.1000916
Schwartz, M., Seeley, R., Zeltser, L., Drewnowski, A., Ravussin, E., Redman, L., &
Leibel, R. (2017). Obesity pathogenesis: An endocrine society scientific
statement. Endocrine Reviews, 38(4), 267-296. 10.1210/er.2017-00111
Scuteri, A., Sanna, S., Chen, W., Uda, M., Albai, G., & Strait, J. et al. (2007). Genome-
wide association scan shows genetic variants in the FTO gene are associated
with obesity-related traits. Plos Genetics, 3(7), e115.
http://dx.doi.org/10.1371/journal.pgen.0030115
Secretaria de Salud [SSA] (1988). Reglamento de la Ley General de Salud en Materia
de Investigación para la Salud. Recuperado el 04 de marzo de 2018 de:
http://www.salud.gob.mx/unidades/cdi/nom/compi/rlgsmis.html.
Simpson, K., Parker, J., Plumer, J., & Bloom, S. (2011). CCK, PYY and PP: The control
of energy balance. Handbook of Experimental Pharmacology, 209-230.
10.1007/978-3-642-24716-3_9
Skelton, J., DeMattia, L., Miller, L., & Olivier, M. (2006). Obesity and its therapy: From
genes to community action. Pediatric Clinics of North America, 53(4), 777-
794. 10.1016/j.pcl.2006.05.011
Skinner, A., Perrin, E., Moss, L., & Skelton, J. (2015). Cardiometabolic risks and severity
of obesity in children and young adults. New England Journal of
Medicine, 373(14), 1307-1317. doi: 10.1056/NEJMoa1502821
89
Sklar, P., Gabriel, S., McInnis, M., Bennett, P., Lim, Y., & Tsan, G. et al. (2002). Family-
based association study of 76 candidate genes in bipolar disorder: BDNF is a
potential risk locus. Molecular Psychiatry, 7(6), 579-593.
http://dx.doi.org/10.1038/sj.mp.4001058
Skledar, M., Nikolac, M., Dodig-Curkovic, K., Curkovic, M., Borovecki, F., & Pivac, N.
(2012). Association between brain-derived neurotrophic factor Val66Met and
obesity in children and adolescents. Progress in Neuro-Psychopharmacology and
Biological Psychiatry, 36(1), 136-140.
http://dx.doi.org/10.1016/j.pnpbp.2011.08.003
Solas, M., Milagro, F., Martínez-Urbistondo, D., Ramirez, M., & Martínez, J. (2016).
Precision obesity treatments including pharmacogenetic and nutrigenetic
approaches. Trends in Pharmacological Sciences, 37(7), 575-593.
10.1016/j.tips.2016.04.008
Sonestedt, E., Roos, C., Gullberg, B., Ericson, U., Wirfält, E., & Orho-Melander, M.
(2009). Fat and carbohydrate intake modify the association between genetic
variation in the FTO genotype and obesity. The American Journal of Clinical
Nutrition, 90(5), 1418-1425. 10.3945/ajcn.2009.27958
Sørensen, T., Holst, C., & Stunkard, A. (1992). Childhood body mass index--genetic and
familial environmental influences assessed in a longitudinal adoption
study. International Journal of Obesity And Related Metabolic Disorders, 16(9).
PMID: 1328094
Sørensen, T., Holst, C., & Stunkard, A. (1997). Adoption study of environmental
modifications of the genetic influences on obesity. International Journal of
Obesity, 22(1), 73-81. doi: 10.1038/sj.ijo.0800548
Speliotes, E., Willer, C., Berndt, S., Monda, K., Thorleifsson, G., & Jackson, A. et al.
(2010). Association analyses of 249,796 individuals reveal 18 new loci associated
with body mass index. Nature Genetics, 42(11), 937-948.
http://dx.doi.org/10.1038/ng.686
St-Onge, M. & Gallagher, D. (2010). Body composition changes with aging: The cause
or the result of alterations in metabolic rate and macronutrient oxidation?.
Nutrition, 26(2), pp.152-155. 10.1016/j.nut.2009.07.004
90
Stunkard, A., Harris, J., Pedersen, N., & McClearn, G. (1990). The Body-Mass Index of
twins who have been reared apart. New England Journal of Medicine, 322(21),
1483-1487. 10.1056/NEJM199005243222102
Sustar, A., Nikolac Perkovic, M., Nedic Erjavec, G., Svob Strac, D., & Pivac, N. (2016).
A protective effect of the BDNF Met/Met genotype in obesity in healthy Caucasian
subjects but not in patients with coronary heart disease. Eur Rev Med Pharmacol
Sci, 20(16), 3417-3426. PMID: 27608901
Tan, S., & Yiap, B. (2009). DNA, RNA, and Protein Extraction: The Past and The Present.
Journal of Biomedicine And Biotechnology, 2009, 1-10.
http://dx.doi.org/10.1155/2009/574398
Tanner, J., & Whitehouse, R. (1975). Revised standards for triceps and subscapular
skinfolds in British children. Archives of Disease In Childhood, 50(2), 142-145.
http://dx.doi.org/10.1136/adc.50.2.142
Thapar, A., & Cooper, M. (2013). Copy Number Variation: What is it and what has it told
us about child psychiatric disorders?. Journal of The American Academy of Child
& Adolescent Psychiatry, 52(8), 772-774. 10.1016/j.jaac.2013.05.013
Thorleifsson, G., Walters, G., Gudbjartsson, D., Steinthorsdottir, V., Sulem, P., &
Helgadottir, A. et al. (2008). Genome-wide association yields new sequence
variants at seven loci that associate with measures of obesity. Nature
Genetics, 41(1), 18-24. http://dx.doi.org/10.1038/ng.274
Timmusk, T., Palm, K., Metsis, M., Reintam, T., Paalme, V., Saarma, M., & Persson, H.
(1993). Multiple promoters direct tissue-specific expression of the rat BDNF
gene. Neuron, 10(3), 475-489. http://dx.doi.org/10.1016/0896-6273(93)90335-o
Timpano, K., Schmidt, N., Wheaton, M., Wendland, J., & Murphy, D. (2011).
Consideration of the BDNF gene in relation to two phenotypes: Hoarding and
obesity. Journal of Abnormal Psychology, 120(3), 700-707. 10.1037/a0024159
Tonra, J., Ono, M., Liu, X., Garcia, K., Jackson, C., & Yancopoulos, G. et al. (1999).
Brain-derived neurotrophic factor improves blood glucose control and alleviates
fasting hyperglycemia in C57BLKS-Lepr(db)/lepr(db) mice. Diabetes, 48(3), 588-
594. http://dx.doi.org/10.2337/diabetes.48.3.588
91
Traurig, M., Mack, J., Hanson, R., Ghoussaini, M., Meyre, D., & Knowler, W. et al. (2009).
Common variation in SIM1 is reproducibly associated with BMI in Pima
Indians. Diabetes, 58(7), 1682-1689. 10.2337/db09-0028
Trayhurn, P. & Wood, I. (2004). Adipokines: inflammation and the pleiotropic role of white
adipose tissue. British Journal of Nutrition, 92(03), 347.
https://doi.org/10.1079/BJN20041213
Trends in adult body-mass index in 200 countries from 1975 to 2014: a pooled analysis
of 1698 population-based measurement studies with 19·2 million participants.
(2016). The Lancet, 387(10026), 1377-1396. http://dx.doi.org/10.1016/s0140-
6736(16)30054-x
Turcotte, M., Abadi, A., Peralta-Romero, J., Suarez, F., Reddon, H., & Gomez-Zamudio,
J. et al. (2018). Genetic contribution to waist-to-hip ratio in Mexican children and
adolescents based on 12 loci validated in European adults. International Journal
of Obesity. 10.1038/s41366-018-0055-8
Van Vliet-Ostaptchouk, J., Snieder, H., & Lagou, V. (2012). Gene–Lifestyle interactions
in obesity. Current Nutrition Reports, 1(3), 184-196. 10.1007/s13668-012-0022-2
Vignal, A., Milan, D., San Cristobal, M., & Eggen, A. (2002). A review on SNP and other
types of molecular markers and their use in animal genetics. Genetics Selection
Evolution, 34(3), 275-305. 10.1051/gse:2002009
Villamil-Ramírez, H., León-Mimila, P., Macias-Kauffer, L., Canizalez-Román, A.,
Villalobos-Comparán, M., & León-Sicairos, N. et al. (2016). A combined linkage
and association strategy identifies a variant near the GSTP1 gene associated with
BMI in the Mexican population. Journal of Human Genetics, 62(3), 413-418.
10.1038/jhg.2016.145
Visscher, P., Brown, M., McCarthy, M. & Yang, J. (2012). Five years of GWAS
discovery. The American Journal of Human Genetics, 90(1), 7-24.
10.1016/j.ajhg.2011.11.029
Visscher, P., Wray, N., Zhang, Q., Sklar, P., McCarthy, M., Brown, M., & Yang, J. (2017).
10 years of GWAS discovery: biology, function, and translation. The American
Journal of Human Genetics, 101(1), 5-22. 10.1016/j.ajhg.2017.06.005
92
Walsh, C., Ebbeling, C., Swain, J., Markowitz, R., Feldman, H., & Ludwig, D. (2013).
Effects of diet composition on postprandial energy availability during weight loss
maintenance. Plos ONE, 8(3), e58172.
https://doi.org/10.1371/journal.pone.0058172
Weinsier RL, Hunter GR, Heini AF, Goran MI, Sell SM. (1998). The etiology of obesity:
relative contribution of metabolic factors, diet, and physical activity. Am J Med.
105(2):145-50. https://doi.org/10.1016/S0002-9343(98)00190-9
Wiklund, P. (2016). The role of physical activity and exercise in obesity and weight
management: Time for critical appraisal. Journal of Sport and Health
Science, 5(2), 151-154. https://doi.org/10.1016/j.jshs.2016.04.001
Willer, C., Speliotes, E., Loos, R., Li, S., Lindgren, C., & Heid, I. et al. (2008). Six new
loci associated with body mass index highlight a neuronal influence on body
weight regulation. Nature Genetics, 41(1), 25-34.
http://dx.doi.org/10.1038/ng.287
Williams JE, Wells JC, Wilson CM, Haroun D, Lucas A, Fewtrell MS. (2006). Evaluation
of Lunar Prodigy dual-energy X-ray absorptiometry for assessing body
composition in healthy persons and patients by comparison with the criterion 4-
component model. Am J Clin Nutr.;83(5):1047-54. 10.1093/ajcn/83.5.1047
Zheng, F., Zhou, X., Moon, C., & Wang, H. (2012). Regulation of brain-derived
neurotrophic factor expression in neurons. International Journal of Physiology,
Pathophysiology And Pharmacology, 4(4), 188–200. PMC3544221
93
11. RESUMEN CURRICULAR
Licenciado en Nutrición Israel Guerrero Contreras
Candidato para el grado de Maestro en Ciencias en Nutrición
Tesis: POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU
ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES
POSTMENOPAUSICAS.
Campo de estudio: Nutrigenética
Datos Personales:
Lugar de nacimiento: Aguascalientes, Aguascalientes, México.
Fecha de nacimiento: 16 de marzo de 1990
Estado civil: Soltero.
Nombre del padre: Oscar Manuel Guerrero Morúa
Nombre de la madre: Martha Alicia Contreras Morales
Formación academica:
2016-2018.- Maestro en Ciencias en Nutrición, Universidad Autónoma de Nuevo León (UANL). Tesis: Polimorfismos rs6265 y rs7934165 del gen BDNF y su asociación con fenotipos de obesidad en mujeres postmenopáusicas.
2009-2014.- Licenciado en Nutrición, Universidad Autónoma de Aguascalientes (UAA). Tesis: Relación de la ganancia de peso gestacional con el diagnóstico de anemia.
Estancias de Investigación:
2018. Colaboración en los proyectos Programación metabólica (metabolic
imprinting) y La nueva función de la leptina: leche materna, biomarcadores
nutrigenómicos y prevención de la obesidad y sus complicaciones bajo la supervisión de la Dra. Joana Sánchez Roig. Universidad de las Islas Baleares, Laboratorio de Biología Molecular, Nutrición y Biotecnología, Palma de Mallorca, España. Junio – Julio 2018
94
2017-2018. Colaboración con Dr. Rafael Velázquez Cruz. Instituto Nacional de Medicina Genómica (INMEGEN), Laboratorio de Genómica del Metabolismo Óseo, Cd. de México. Junio 2017– Enero 2018
2012: Colaboración en el proyecto Biomarcadores en la detección temprana de
nefropatía diabética y su relación con la enfermedad cardiovascular subclínica, bajo la supervisión de la Dra. María Ludivina Robles Osorio. Facultad de Medicina. Universidad Autónoma de Querétaro (UAQ). Mayo – Agosto 2012